基于生成神经网络系统从拓扑电荷分布重建自旋结构
统计力学
2026-05-04 v1
摘要
局部拓扑缺陷本质上具有多尺度特性。虽然其微观构型取决于具体的物理体系，但其拓扑特征及其相互作用可在宏观尺度上用粒子表示来描述。然而，确定与给定缺陷图案相关的物理性质往往需要了解其底层微观结构。在本工作中，我们通过纳入物理约束和傅里叶空间信息，将 Wasserstein 生成式对抗神经网络扩展为生成与给定宏观图案和热力学参数相一致的微观自旋配置。以二维 XY 模型为测试案例，其中涡旋-反涡旋对作为长程相互作用的缺陷，结果表明该模型生成的自旋配置在 Kosterlitz-Thouless 转变以下温度范围内，准确再现了磁化、易度、旋电阻率以及自旋-自旋关联。与此同时，比热系数的偏差揭示了在再现高阶能量波动方面的局限性。基于拓扑数据分析的补充分析揭示了在接近临界温度处全局自旋关联结构的细微差异，这些差异仅凭传统关联函数难以察觉。这些结果既展示了生成方法在缺陷主导自旋系统的多尺度研究中的潜力与当前局限，也突显了拓扑方法作为刻画临界行为的有价值工具。
引用
@article{arxiv.2605.00732,
title = {Reconstruction of spin structures from topological charge distributions via generative neural network systems},
author = {Kyra H. M. Klos and Jan Disselhoff and Michael Wand and Karin Everschor-Sitte and Friederike Schmid},
journal= {arXiv preprint arXiv:2605.00732},
year = {2026}
}