Поиск основных состояний гейзенберговского антиферромагнетика на треугольной решетке методами машинного обучения
Бесплатный доступ
Рассмотрен антиферромагнетик с классическими спинами на двухмерной треугольной решетке во внешнем магнитном поле с одноионной анизотропией. С помощью нового метода машинного обучения вычислены основные состояния и построена фазовая диаграмма намагниченности в зависимости от внешнего поля и коэффициента анизотропии. Показано, что результаты расчетов находятся в хорошем согласии с симуляциями Монте-Карло. Учет анизотропии приводит к возникновению плато намагниченности на уровне 1/3 в интервале значений внешнего поля, отвечающем основному состоянию uud. Размеры этого плато существенно возрастают с ростом степени анизотропии
Магнетизм, классические спины, антиферромагнетики, треугольная решетка, фрустрированные системы, машинное обучение
Короткий адрес: https://sciup.org/148322454
IDR: 148322454 | DOI: 10.25586/RNU.V9187.21.03.P.014
Список литературы Поиск основных состояний гейзенберговского антиферромагнетика на треугольной решетке методами машинного обучения
- Balents L. Spin liquids in frustrated magnets // Nature. 2010. Vol. 464. P. 199–208.
- Wannier G. H. Antiferromagnetism. The Triangular Ising Net // Phys. Rev. 1950. Vol. 79. P. 357–364.
- Collins M., Petrenko O. Triangular antiferromagnets // Can. J. Phys. 1997. Vol. 75. P. 605.
- Kawamura H., Miyashita S. Phase Transition of the Heisenberg Antiferromagnet on the Triangular Lattice in a Magnetic Field // J. Phys. Soc. Jap. 1985. Vol. 54, issue 12. P. 4530–4538.
- Yun M., Jeon G. S. Classical Heisenberg antiferromagnet on a triangular lattice in the presence of single-ion anisotropy // J. Phys.: Conf. Ser. 2015. Vol. 592. P. 024423.
- Hukushima K., Nemoto K. Exchange Monte Carlo Method and Application to Spin Glass Simulations // J. Phys. Soc. Jap. 1996. Vol. 65, issue 6. P. 1604–1608.
- Carrasquilla J., Melko R. Machine learning phases of matter // Nature Phys. 2017. Vol. 13. P. 431.
- Hu W., Singh R. R. P., Scalettar R. T. Discovering phases, phase transitions, and crossovers through unsupervised machine learning: A critical examination // Phys. Rev. E. 2017. Vol. 95. P. 062122.
- Kwon H. Y., Kim N. J., Lee C. K., Won C. Searching magnetic states using an unsupervised machine learning algorithm with the Heisenberg model // Phys. Rev. B. 2019. Vol. 99. P. 024423.
- Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv, P. 1412.6980.
- TensorFlow: Large-scale machine learning on heterogeneous systems, 2015. Software available from tensorflow.org.
- Zacharov I., Arslanov R., Gunin M., Stefonishin D., Bykov A., Pavlov S., Panarin O., Maliutin A., Rykovanov S., Fedorov M. “Zhores” – Petaflops supercomputer for data-driven modeling, machine learning and artificial intelligence installed in Skolkovo Institute of Science and Technology // Open Eng. 2019. Vol. 9. P. 512–520.
- Yu J., Li W., Huang Z., Liang J., Chen J., Chen D., Hou Z., Qin M. Skyrmion Crystals in Frustrated Shastry-Sutherland Magnets // Physica Status Solidi – RRL. 2019. Vol. 13, issue 11. P. 1900161.
