Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations

我们提出了一种可扩展的机器学习（ML）力场模型，用于协同Jahn-Teller（JT）系统的绝热动力学。JT模型的大规模动力学模拟也揭示了巨磁电阻锰酸盐中轨道排序动力学的特点。这些材料中的JT效应描述了由于与$e_g$电子的轨道自由度的耦合而驱动的局部氧八面体的畸变。局部JT模式之间的有效电子介导相互作用导致了在低温下的结构转变和长程轨道序的出现。假设局部性原则，开发了深度学习神经网络模型，以准确高效地预测驱动JT声子动力学演化的电子诱导力。采用群论方法开发了一个描述符，将轨道和晶格对称性结合到ML模型中。通过ML力场模型实现的大规模Langevin动力学模拟用于研究热淬后复合JT畸变和轨道序的粗化动力学。轨道域的后期粗化表现出明显的冻结行为，这可能与域结构的不寻常形态有关。我们的工作突显了一个有前途的途径，用于相关电子系统的多尺度动力学建模。

本论文旨在通过开发一个可扩展的机器学习力场模型来解决JT系统中的动力学问题，并探索巨磁电阻锰酸盐中轨道有序动力学的轨道有序动力学。这是否是一个新问题？

通过深度学习神经网络模型和群论方法，将轨道和晶格对称性结合到机器学习模型中，以准确高效地预测驱动JT声子动力学演化的电子感应力。使用这种模型进行大规模Langevin动力学模拟，以研究热淬火后复合JT畸变和轨道序的粗化动力学。这种方法为相关电子系统的多尺度动力学建模开辟了一条有前途的途径。

该论文的亮点包括：1.使用深度学习神经网络模型和群论方法结合轨道和晶格对称性，准确高效地预测JT声子的电子感应力；2.使用大规模Langevin动力学模拟研究了复合JT畸变和轨道序的粗化动力学；3.发现轨道域的后期粗化表现出明显的冻结行为，这可能与域结构的异常形态有关。

最近在这个领域中，一些相关的研究包括：1.《Machine learning for quantum mechanics in a nutshell》；2.《Machine learning and the physical sciences》；3.《Machine learning in materials science》。