磁性材料动态与静态特性的深度学习统计缺陷模型

《npj Computational Materials》：Deep learning statistical defect models on magnetic material dynamic and static properties

　　

摘要

对真实磁性材料的建模需要纳入缺陷的考虑。基于磁化动力学伪谱朗道-利夫希茨描述，我们提出了一种统计模型，该模型考虑了缺陷，特别是空位。该统计模型可与深度学习方法结合使用，将缺陷阈值与相关物理观测量相关联。我们以卷积神经网络为起点，构建了一种分层学习方法，将物理信息神经网络与函数连接理论相结合，形成一种物理约束代理模型，用于根据缺陷参数预测特定的色散关系。我们实现了一种双分支卷积神经网络，用于预测含缺陷的畴壁宽度计算结果，从而通过分别考虑空间轮廓和畴壁宽度进行预测，获得缺陷阈值。所提出的物理信息方法利用深度学习，实现了以物理单位度量的统计预测。这是迈向发现新材料以及确定所需动力学、态或拓扑结构所需最小缺陷阈值的重要一步。