高维神经网络势用于磁性系统的研究：基于自旋相关原子中心对称函数
摘要：具有机器学习潜力的机器学习模型已成为将一级计算质量的模拟推广到更长时间和尺度的强大工具。然而，大多数机器学习模型无法区分不同的电子自旋方向，因此不适用于处于不同磁性状态的材料。在这里，我们提出了一种考虑原子自旋自由度的新型描述符——自旋依赖的中心对称函数。当用作高维神经网络势能(HDNNP)的输入时，可以构建描述多种磁性状态的多组分系统的准确势能面。我们通过锰氧化物MnO的情况展示了这些磁性HDNNP的性能。我们展示了该方法预测磁性扭曲的菱面结构与密度泛函理论和实验之间的极好一致性。其高效性使得可以考虑结构波动、熵效应和缺陷来确定Néel温度。该方法是通用的，预计也对其他类型的系统如寡核过渡金属配合物有用。
作者：Marco Eckhoff and J"org Behler
论文ID：2104.14439
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-01-25