KI und die schwierigen Probleme der Welt · Physik · arXiv · 2026-10-19
Physikalisch informiertes maschinelles Lernen für Antworttensoren in kristallinen Magneten: Anwendung auf Kagome-Metalle
Originaltitel: Physics-Informed Machine Learning for Response Tensors in Crystalline Magnets: Application to Kagome Metals
Die Vorhersage von Antworttensoren aus magnetischen Texturen ist eine zentrale Herausforderung bei nichtkollinearen Magneten, und bestehende Deskriptoren waren auf Multipolentwicklungen erster Ordnung oder einfache magnetische Strukturen beschränkt. Die Autoren konstruierten eine vollständige symmetrieinvariante Deskriptorbasis für beliebige Kristallstrukturen und modifizierten die Hauptkomponentenanalyse, um unkorrelierte, hierarchisch stabile Ordnungsparameter abzuleiten. Bei der Anwendung auf die anomale Hall-Leitfähigkeit eines magnetischen Kagome-Gitters folgten die quadrierten Regressionskoeffizienten einem Zipf-artigen Potenzgesetz in dem Bereich, in dem die lineare Regression gut funktioniert.