Machine learning for the search for topological spin textures

封面

如何引用文章

全文:

详细

We present an alternative method for numerical modeling of topological magnetic textures using a neural network algorithm. We discuss a model of localized spins where topological magnetic textures are stabilized due to a delicate interplay between the symmetric exchange interaction, and the antisymmetric interaction caused by exchange–relativistic effects, as well as a model of an itinerant magnet where noncoplanar spin configurations emerge when taking multispin interactions into account. The viability of the proposed method is illustrated with the formation of lattices of skyrmions and antiskyrmions, magnetic hedgehogs, and skyrmion tubes in two-dimensional and three-dimensional magnetic systems.

作者简介

Georgii Paradezhenko

Skolkovo Institute of Science and Technology

Email: gparadezhenko@cs.msu.ru
without scientific degree, no status

Anastasiya Pervishko

Skolkovo Institute of Science and Technology; Far Eastern Federal University

Email: a.pervishko@skoltech.ru
ORCID iD: 0000-0003-3909-2478
Scopus 作者 ID: 56024077100
Candidate of physico-mathematical sciences

Dmitry Yudin

Skolkovo Institute of Science and Technology; Far Eastern Federal University

Email: DimaFizMath@yandex.ru
without scientific degree, no status

参考

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

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».