Новое исследование в области теоретической физики предлагает метод моделирования используя эффективный гамильтониан с использованием машинного обучения для сверхкрупномасштабных атомных структур. Этот подход позволяет моделировать гораздо большие системы, чем традиционные методы, основанные на квантовой и классической механике. Результаты опубликованы в журнале npj Computational Materials в статье, подготовленной международной группой ученых из Университета Арканзаса, Нанкинского университета и Университета Люксембурга.
Эффективный гамильтониан — это энергетическое выражение, параметры которого обычно сложно вычислить. Новый метод на основе машинного обучения автоматизирует этот процесс, делая его универсальным для любых сложных систем. Это особенно важно для изучения мезоскопических структур, таких как сегнетоэлектрики и диэлектрики, где количество атомов может превышать миллион.
Используя этот подход, ученые смогли моделировать крупные атомные структуры и разрабатывать материалы с заданными свойствами, например, сегнетоэлектрическими и пьезоэлектрическими. В будущем планируется создать общий эффективный гамильтониан, основанный на функции Ваннье и симметрии, что позволит моделировать структурные искажения, фазовые переходы и тепловые свойства. Этот метод станет мощным инструментом в материаловедении.
Схемы обучения на лету эффективного гамильтониана для структуры перовскита. Изображение: npj Computational Materials (2025). DOI: 10.1038/s41524-025-01563-z
Дополнительная информация: Xingyue Ma et al, Active learning of effective Hamiltonian for super-large-scale atomic structures, npj Computational Materials (2025). DOI: 10.1038/s41524-025-01563-z
Источник: A new computational method for super-large-scale atomic structures