适用于流动性伊辛磁体的动力学蒙特卡洛模拟的机器学习势场模型

本文解决了流动性电子伊辛系统中的能量变化计算问题，该问题由于电子结构计算的复杂性而对大规模动力学蒙特卡洛模拟造成挑战。研究提出了一种卷积神经网络模型，能够根据有限邻域内的伊辛配置直接预测有效局部场及能量变化，这种方法适用于大规模系统。通过应用该框架于方格格子的双交换伊辛模型，研究揭示了低温下铁磁域的不寻常粗化现象，展现了机器学习在大规模模拟类似系统中的潜力。