监督学习磁性斯格明子相

我们提出并应用简单的机器学习方法来识别和分类二维材料中复杂的非共线磁结构。第一种方法基于单隐层神经网络的实现，仅依赖于自旋的 z 投影。在此设置中，需要有限的磁构型集合来区分铁磁、斯格明子和自旋螺旋相，以及它们在相图过渡区域的不同组合。在具有 Dzyaloshinskii-Moriya 相互作用的正方晶格 Heisenberg 模型的构型上训练的网络，能够分类从三角晶格的 Monte Carlo 计算中获得的磁结构，反之亦然。我们应用的第二种方法是最小距离法，在特定构型仅被分配给单一磁相的情况下，可执行快速且低成本的分类。我们提出的方法也很容易用于分析通过自旋极化扫描隧道显微镜和洛伦兹透射电子显微镜实验收集的大量实验数据。