Published November 4, 2022
| Version v1
Publication
Open
Integration of machine learning with neutron scattering for the Hamiltonian tuning of spin ice under pressure
- 1. Oak Ridge National Laboratory
- 2. Instituto de Fisica de Liquidos y Sistemas Biologicos
- 3. Consejo Nacional de Investigaciones Científicas y Técnicas
Description
Abstract Quantum materials research requires co-design of theory with experiments and involves demanding simulations and the analysis of vast quantities of data, usually including pattern recognition and clustering. Artificial intelligence is a natural route to optimise these processes and bring theory and experiments together. Here, we propose a scheme that integrates machine learning with high-performance simulations and scattering measurements, covering the pipeline of typical neutron experiments. Our approach uses nonlinear autoencoders trained on realistic simulations along with a fast surrogate for the calculation of scattering in the form of a generative model. We demonstrate this approach in a highly frustrated magnet, Dy 2 Ti 2 O 7 , using machine learning predictions to guide the neutron scattering experiment under hydrostatic pressure, extract material parameters and construct a phase diagram. Our scheme provides a comprehensive set of capabilities that allows direct integration of theory along with automated data processing and provides on a rapid timescale direct insight into a challenging condensed matter system.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تتطلب أبحاث المواد الكمومية المجردة تصميمًا مشتركًا للنظرية مع التجارب وتتضمن عمليات محاكاة متطلبة وتحليل كميات هائلة من البيانات، بما في ذلك عادةً التعرف على الأنماط وتجميعها. الذكاء الاصطناعي هو طريق طبيعي لتحسين هذه العمليات والجمع بين النظرية والتجارب معًا. هنا، نقترح مخططًا يدمج التعلم الآلي مع عمليات المحاكاة عالية الأداء وقياسات التشتت، ويغطي خط أنابيب تجارب النيوترونات النموذجية. يستخدم نهجنا أجهزة الترميز التلقائي غير الخطية المدربة على المحاكاة الواقعية جنبًا إلى جنب مع بديل سريع لحساب التشتت في شكل نموذج توليدي. نعرض هذا النهج في مغناطيس محبط للغاية، Dy 2 Ti 2 O 7 ، باستخدام تنبؤات التعلم الآلي لتوجيه تجربة تشتت النيوترونات تحت الضغط الهيدروستاتيكي، واستخراج معلمات المواد وبناء مخطط الطور. يوفر مخططنا مجموعة شاملة من القدرات التي تسمح بالدمج المباشر للنظرية جنبًا إلى جنب مع المعالجة الآلية للبيانات ويوفر رؤية مباشرة سريعة النطاق الزمني لنظام المادة المكثفة الصعبة.Translated Description (French)
La recherche sur les matériaux quantiques abstraits nécessite une co-conception de la théorie avec des expériences et implique des simulations exigeantes et l'analyse de grandes quantités de données, y compris généralement la reconnaissance de formes et le regroupement. L'intelligence artificielle est une voie naturelle pour optimiser ces processus et réunir théorie et expériences. Ici, nous proposons un schéma qui intègre l'apprentissage automatique avec des simulations haute performance et des mesures de diffusion, couvrant le pipeline d'expériences neutroniques typiques. Notre approche utilise des autoencodeurs non linéaires formés sur des simulations réalistes ainsi qu'un substitut rapide pour le calcul de la diffusion sous la forme d'un modèle génératif. Nous démontrons cette approche dans un aimant très frustré, Dy 2 Ti 2 O 7 , en utilisant des prédictions d'apprentissage automatique pour guider l'expérience de diffusion de neutrons sous pression hydrostatique, extraire les paramètres du matériau et construire un diagramme de phase. Notre système fournit un ensemble complet de capacités qui permet l'intégration directe de la théorie ainsi que le traitement automatisé des données et fournit sur une échelle de temps rapide un aperçu direct d'un système de matière condensée difficile.Translated Description (Spanish)
Resumen La investigación de materiales cuánticos requiere el co-diseño de la teoría con experimentos e implica exigentes simulaciones y el análisis de grandes cantidades de datos, generalmente incluyendo el reconocimiento de patrones y la agrupación. La inteligencia artificial es una ruta natural para optimizar estos procesos y unir teoría y experimentos. Aquí, proponemos un esquema que integra el aprendizaje automático con simulaciones de alto rendimiento y mediciones de dispersión, cubriendo la tubería de experimentos típicos de neutrones. Nuestro enfoque utiliza autocodificadores no lineales entrenados en simulaciones realistas junto con un sustituto rápido para el cálculo de la dispersión en forma de un modelo generativo. Demostramos este enfoque en un imán altamente frustrado, Dy 2 Ti 2 O 7 , utilizando predicciones de aprendizaje automático para guiar el experimento de dispersión de neutrones bajo presión hidrostática, extraer parámetros del material y construir un diagrama de fases. Nuestro esquema proporciona un conjunto completo de capacidades que permite la integración directa de la teoría junto con el procesamiento automatizado de datos y proporciona una visión directa en una escala de tiempo rápida de un desafiante sistema de materia condensada.Files
s43246-022-00306-7.pdf.pdf
Files
(2.2 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:3186fac0ce5478f1ac54b7b1cd55be50
|
2.2 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- دمج التعلم الآلي مع تشتت النيوترونات لضبط هاميلتون للجليد المغزلي تحت الضغط
- Translated title (French)
- Intégration de l'apprentissage automatique avec la diffusion de neutrons pour le réglage hamiltonien de la glace de spin sous pression
- Translated title (Spanish)
- Integración del aprendizaje automático con la dispersión de neutrones para la sintonización hamiltoniana del hielo de espín bajo presión
Identifiers
- Other
- https://openalex.org/W4308344321
- DOI
- 10.1038/s43246-022-00306-7
References
- https://openalex.org/W1593631039
- https://openalex.org/W1840016293
- https://openalex.org/W2032086940
- https://openalex.org/W2054294779
- https://openalex.org/W2054822264
- https://openalex.org/W2056760934
- https://openalex.org/W2057630926
- https://openalex.org/W2066508586
- https://openalex.org/W2110500572
- https://openalex.org/W2128117725
- https://openalex.org/W2131548330
- https://openalex.org/W2144778351
- https://openalex.org/W2154815292
- https://openalex.org/W2161516432
- https://openalex.org/W2197044253
- https://openalex.org/W2509641113
- https://openalex.org/W2789494807
- https://openalex.org/W2953991231
- https://openalex.org/W2981272655
- https://openalex.org/W3032939654
- https://openalex.org/W3101091276
- https://openalex.org/W3105423106
- https://openalex.org/W3119280225
- https://openalex.org/W3121513412
- https://openalex.org/W3129115975
- https://openalex.org/W3132241477
- https://openalex.org/W3185465162
- https://openalex.org/W4210267831
- https://openalex.org/W808303485