SpinMultiNet：结合自旋自由度与多任务学习的神经网络势
材料科学
2024-09-10 v2 机器学习
摘要
神经网络势（NNP）作为一种加速密度泛函理论（DFT）计算的方法引起了广泛关注。然而，传统的 NNP 模型通常不包含自旋自由度，这限制了其在自旋状态对材料性质起关键影响的系统（如过渡金属氧化物）中的适用性。本研究引入了 SpinMultiNet，一种通过多任务学习整合自旋自由度的新型 NNP 模型。SpinMultiNet 在不依赖从 DFT 计算获得的正确自旋值的情况下实现了准确预测。相反，它利用初始自旋估计作为输入，并利用多任务学习来优化自旋潜在表示，同时保持 和时间反转等变性。在过渡金属氧化物数据集上的验证证明了 SpinMultiNet 的高预测精度。该模型成功再现了源于超交换作用的稳定自旋构型的能量排序，并准确捕获了岩盐结构的菱面体畸变。这些结果为考虑自旋自由度的材料模拟开辟了新的可能性，有望在未来应用于包括磁性材料在内的各种材料系统的大规模模拟。
引用
@article{arxiv.2409.03253,
title = {SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning},
author = {Koki Ueno and Satoru Ohuchi and Kazuhide Ichikawa and Kei Amii and Kensuke Wakasugi},
journal= {arXiv preprint arXiv:2409.03253},
year = {2024}
}
备注
12 pages, 4 figures