L'IA face aux grands problèmes du monde · Physique · arXiv · 2026-10-19
Apprentissage automatique informé par la physique pour les tenseurs de réponse dans les aimants cristallins : application aux métaux kagome
Titre original: Physics-Informed Machine Learning for Response Tensors in Crystalline Magnets: Application to Kagome Metals
Prédire les tenseurs de réponse à partir de textures magnétiques est un défi majeur pour les aimants non colinéaires, et les descripteurs existants se limitaient aux développements multipolaires du premier ordre ou à des structures magnétiques simples. Les auteurs ont construit une base complète de descripteurs invariants par symétrie pour des structures cristallines arbitraires et modifié l'analyse en composantes principales afin d'obtenir des paramètres d'ordre non corrélés et hiérarchiquement stables. Appliqués à la conductivité de Hall anormale d'un réseau kagome magnétique, les carrés des coefficients de régression suivaient une loi de puissance de type Zipf dans le régime où la régression linéaire fonctionne bien.