RSS-ленты
РусскийEnglish
Выпуск 4, 2024
Том год страница
Выпуски Авторы PACS Подписчикам Для авторов

Выпуски

 / 

2023

 / 

Ноябрь

←  →

Методические заметки


Машинное обучение для поиска топологических спиновых структур

†  а, ‡  а, б, §  а, б
а Сколковский институт науки и технологий, Территория Инновационного Центра  Сколково , Большой бульвар 30, стр.1, Москва, 121205, Российская Федерация
б Дальневосточный федеральный университет, ул. Суханова 8, Владивосток, 690950, Российская Федерация

Представлен альтернативный метод численного моделирования топологических магнитных структур с использованием нейросетевого алгоритма. Обсуждаются модель локализованных спинов, где формирование топологических магнитных структур является результатом конкуренции между билинейными по спинам симметричным обменным взаимодействием и антисимметричным взаимодействием, обусловленным обменно-релятивистскими эффектами, а также модель зонного магнетика, где к возникновению некомпланарных спиновых конфигураций приводит учёт мультиспиновых взаимодействий. Применимость предложенного метода проиллюстрирована в случае двумерных и трёхмерных магнитных систем на примере образования решёток скирмионов и антискирмионов, магнитных ежей и скирмионных трубок соответственно.

Текст: pdf (Полный текст предоставляется по подписке)
English fulltext is available at DOI: 10.3367/UFNe.2022.12.039303
Ключевые слова: магнетики, машинное обучение, спин-орбитальное взаимодействие, взаимодействие Дзялошинского—Мории, мультиспиновые взаимодействия, скирмионы, антискирмионы, магнитные ежи
PACS: 07.05.Mh, 75.10.−b, 75.30.−m, 75.40.Cx (все)
DOI: 10.3367/UFNr.2022.12.039303
URL: https://ufn.ru/ru/articles/2023/11/g/
001131650500006
2-s2.0-85182587213
2023PhyU...66.1164P
Цитата: Парадеженко Г В, Первишко А А, Юдин Д И "Машинное обучение для поиска топологических спиновых структур" УФН 193 1237–1247 (2023)
BibTexBibNote ® (generic)BibNote ® (RIS)MedlineRefWorks

Поступила: 19 октября 2022, доработана: 24 ноября 2022, 21 декабря 2022

English citation: Paradezhenko G V, Pervishko A A, Yudin D I “Machine learning for the search for topological spin textures” Phys. Usp. 66 1164–1173 (2023); DOI: 10.3367/UFNe.2022.12.039303

Список литературы (97) ↓ Похожие статьи (8)

  1. Ирхин В Ю, Ирхин Ю П Электронная структура, физические свойства и корреляционные эффекты в d- и f-металлах и их соединениях (Екатеринбург: УрО РАН, 2004)
  2. Heisenberg W Z. Phys. 49 619 (1928)
  3. Eriksson O et al Atomistic Spin Dynamics: Foundations and Applications (Oxford: Oxford Univ. Press, 2017)
  4. Вонсовский С В ЖЭТФ 16 981 (1946)
  5. Kondo J Prog. Theor. Phys. 32 37 (1964)
  6. Hewson A C The Kondo Problem to Heavy Fermions (Cambridge: Cambridge Univ. Press, 2003)
  7. Ruderman M A, Kittel C Phys. Rev. 96 99 (1954)
  8. Kasuya T Prog. Theor. Phys. 16 45 (1956)
  9. Yosida K Phys. Rev. 106 893 (1957)
  10. Абрикосов А А УФН 97 403 (1969); Abrikosov A A Sov. Phys. Usp. 12 168 (1969)
  11. Kondo J Solid State Phys. 23 183 (1970)
  12. Tsvelick A M, Wiegmann P B Adv. Phys. 32 453 (1983)
  13. Dzyaloshinsky I J. Phys. Chem. Solids 4 241 (1958)
  14. Moriya T Phys. Rev. 120 91 (1960)
  15. Emori S et al Nat. Mater. 12 611 (2013)
  16. Ryu K-S et al Nat. Nanotechnol. 8 527 (2013)
  17. Yang H et al Phys. Rev. Lett. 115 267210 (2015)
  18. Soumyanarayanan A et al Nature 539 509 (2016)
  19. Caretta L et al Nat. Commun. 11 1090 (2020)
  20. Samardak A S et al Phys. Chem. Chem. Phys. 24 8225 (2022)
  21. Park J et al Acta Mater. 241 118383 (2022)
  22. Богданов А Н, Яблонский Д А ЖЭТФ 95 178 (1989); Bogdanov A N, Yablonskii D A Sov. Phys. JETP 68 101 (1989)
  23. Богданов А Письма в ЖЭТФ 62 231 (1995); Bogdanov A JETP Lett. 62 247 (1995)
  24. Bogdanov A, Hubert A J. Magn. Magn. Mater. 138 255 (1994)
  25. Bogdanov A N, Röszlig;ler U K Phys. Rev. Lett. 87 037203 (2001)
  26. Röszlig;ler U K, Bogdanov A N, Pfleiderer C Nature 442 797 (2006)
  27. Röszlig;ler U K, Leonov A A, Bogdanov A N J. Phys. Conf. Ser. 200 022029 (2010)
  28. Kiselev N S et al J. Phys. D 44 392001 (2011)
  29. Дзялошинский И Е ЖЭТФ 46 1420 (1964); Dzyaloshinskii I E Sov. Phys. JETP 19 960 (1964)
  30. Изюмов Ю А УФН 144 439 (1984); Izyumov Yu A Sov. Phys. Usp. 27 845 (1984)
  31. Yi S D et al Phys. Rev. B 80 054416 (2009)
  32. Han J H et al Phys. Rev. B 82 094429 (2010)
  33. Nagaosa N, Tokura Y Nat. Nanotechnol. 8 899 (2013)
  34. Ambrose M C, Stamps R L New J. Phys. 15 053003 (2013)
  35. Pereiro M et al Nat. Commun. 5 4815 (2014)
  36. Yudin D, Gulevich D R, Titov M Phys. Rev. Lett. 119 147202 (2017)
  37. Böttcher M et al New J. Phys. 20 103014 (2018)
  38. Nishikawa Y, Hukushima K, Krauth W Phys. Rev. B 99 064435 (2019)
  39. Mohanta N, Dagotto E, Okamoto S Phys. Rev. B 100 064429 (2019)
  40. Mühlbauer S et al Science 323 915 (2009)
  41. Yu X Z et al Nature 465 901 (2010)
  42. Yu X Z et al Nat. Mater. 10 106 (2011)
  43. Lee M et al Phys. Rev. Lett. 102 186601 (2009)
  44. Kanazawa N et al Phys. Rev. Lett. 106 156603 (2011)
  45. Schulz T et al Nat. Phys. 8 301 (2012)
  46. Hayashi Y et al Nat. Commun. 12 5974 (2021)
  47. Bernevig B A, Felser C, Beidenkopf H Nature 603 41 (2022)
  48. Wang H et al Prog. Mater. Sci. 130 100971 (2022)
  49. Barker J, Tretiakov O A Phys. Rev. Lett. 116 147203 (2016)
  50. Bessarab P F et al Phys. Rev. B 99 140411 (2019)
  51. Legrand W et al Nat. Mater. 19 34 (2020)
  52. Woo S et al Nat. Commun. 9 959 (2018)
  53. Nayak A K et al Nature 548 561 (2017)
  54. Борисов А Б УФН 190 291 (2020); Borisov A B Phys. Usp. 63 269 (2020)
  55. Tokura Y, Kanazawa N Chem. Rev. 121 2857 (2021)
  56. Göbel B, Mertig I, Tretiakov O A Phys. Rep. 895 1 (2021)
  57. Fujishiro Y et al Nat. Commun. 10 1059 (2019)
  58. Kent N et al Nat. Commun. 12 1562 (2021)
  59. Okumura S et al Phys. Rev. B 101 144416 (2020)
  60. Akagi Y, Udagawa M, Motome Y Phys. Rev. Lett. 108 096401 (2012)
  61. Hayami S, Motome Y Phys. Rev. B 90 060402 (2014)
  62. Hayami S, Ozawa R, Motome Y Phys. Rev. B 95 224424 (2017)
  63. Hayami S, Motome Y Phys. Rev. Lett. 121 137202 (2018)
  64. Pickover C A Artificial Intelligence: an Illustrated History: from Medieval Robots to Neural Networks (New York: Sterling, 2019); Пер. на русск. яз., Пиковер К Искусственный интеллект. Иллюстрированная история: от автоматов до нейросетей (М.: Синдбад, 2021)
  65. Abu-Mostafa Y S, Magdon-Ismail M, Lin H-T Learning From Data (Pasadena, CA: AMLBook, 2012)
  66. LeCun Y, Bengio Y, Hinton G Nature 521 436 (2015)
  67. Bishop C M Rev. Sci. Instrum. 65 1803 (1994)
  68. Hastie T, Tibshirani R, Friedman J The Elements of Statistical Learning: Data Mining, Inference, and Prediction (New York: Springer, 2009)
  69. Cybenko G Math. Control. Signal. Systems 2 303 (1989)
  70. Spall J C Introduction to Stochastic Search and Optimization: Estimation, Simulation, and Control (Hoboken, NJ: Wiley-Interscience, 2003)
  71. Rumelhart D E, Hinton G E, Williams R J Nature 323 533 (1986)
  72. Николенко С, Кадурин А, Архангельская Е Глубокое обучение. Погружение в мир нейронных сетей (СПб.: Питер, 2018)
  73. Patterson J, Gibson A Deep Learning: a Practitioner's Approach (Sebastopol, CA: O'Reilly, 2017); Пер. на русск. яз., Паттерсон Д, Гибсон А Глубокое обучение с точки зрения практика (М.: ДМК Пресс, 2018)
  74. Deng L, Liu Y (Eds) Deep Learning in Natural Language Processing (Singapore: Springer, 2018)
  75. Bishop C M Pattern Recognition and Machine Learning (New York: Springer, 2006); Пер. на русск. яз., Бишоп К М Распознавание образов и машинное обучение (М.-СПб.: Диалектика, 2020)
  76. Tunstall L, von Werra L, Wolf T Natural Language Processing with Transformers: Building Language Applications with Hugging Face (Sebastopol: O'Reilly Media, 2022)
  77. Carleo G et al Rev. Mod. Phys. 91 045002 (2019)
  78. Karniadakis G E et al Nat. Rev. Phys. 3 422 (2021)
  79. Carrasquilla J, Melko R G Nat. Phys. 13 431 (2017)
  80. van Nieuwenburg E P L, Liu Y-H, Huber S D Nat. Phys. 13 435 (2017)
  81. Carleo G, Troyer M Science 355 602 (2017)
  82. Torlai G et al Nat. Phys. 14 447 (2018)
  83. Macarone Palmieri A et al npj Quantum Inf. 6 20 (2020)
  84. Iakovlev I A, Sotnikov O M, Mazurenko V V Phys. Rev. B 98 174411 (2018)
  85. Shirinyan A A et al Phys. Rev. B 99 041108 (2019)
  86. Kwon H Y et al Phys. Rev. B 99 024423 (2019)
  87. Swain N et al Phys. Rev. B 104 235156 (2021)
  88. Paradezhenko G V et al Phys. Chem. Chem. Phys. 24 24317 (2022)
  89. Звездин А К, Звездин К А, Хвальковский А В УФН 178 436 (2008); Zvezdin A K, Zvezdin K A, Khval'kovskii A V Phys. Usp. 51 412 (2008)
  90. Первишко А А, Юдин Д И УФН 192 233 (2022); Pervishko A A, Yudin D I Phys. Usp. 65 215 (2022)
  91. Kartsev A et al npj Comput. Mater. 6 150 (2020)
  92. Kingma D P, Ba J arXiv:1412.6980
  93. Kapitan V et al AIP Adv. 11 015041 (2021)
  94. Huang S et al Phys. Rev. B 96 144412 (2017)
  95. Chen J et al Sci. Rep. 7 7392 (2017)
  96. van Laarhoven P J M, Aarts E H L Simulated Annealing: Theory and Applications (Norwell, MA: Kluwer Acad. Publ., 1987)
  97. Cormen T H et al Introduction to Algorithms (Cambridge, MA: MIT Press, 2001); Пер. на русск. яз., Кормен Т и др Алгоритмы. Построение и анализ (М.-СПб.: Вильямс, 2005)
© Успехи физических наук, 1918–2024
Электронная почта: ufn@ufn.ru Телефоны и адреса редакции О журнале Пользовательское соглашение