Técnicas de Machine Learning para construir diagramas de fases de skyrmiones

F. A. GÓMEZ ALBARRACÍN; H. D. ROSALES

La Plata

Congreso; XIX Congreso Regional de Física Estadística y Aplicaciones a la Materia Condensada (TREFEMAC 2022); 2022

Sin duda, las técnicas de aprendizaje automático (machine learning - ML) están siendo utilzadas en muchísimos campos, en particular en la física de materia condensada y en el reconocimiento y distinción de propiedades y fases de distintos sistemas. En este trabajo, utilizamos técnicas de ML para estudiar el diagrama de fase de campo magnético vs temperatura completo para un modelo donde la combinación de constantes de intercambio ferromagnéticas e interacciones de Dzyaloshinskii-Moriya (DM) da origen a fases topológicas tipo skyrmiones. El campo magnético lleva al sistema desde una fase espiral a una de cristal de skyrmiones, hasta llegar a saturación. Estos tres tipos de fases son fácilmente distinguibles por ejemplo utilizando el factor de estructura o la quiralidad. Sin embargo, las fluctuaciones térmicas introducen fases intermedias, bimerones y gases de skyrmiones, que no son determinadas tan fácilmente. Para construir el diagrama de fases completo, construimos un dataset a partir de las configuraciones de más baja temperatura obtenidas con simulaciones de Monte Carlo de alto desempeño, tomando valores específicos de los acoplamientos. Con este dataset entrenamos y validamos una red neuronal convolucional(CNN), y luego aplicamos el modelo resultante a otro set de datos con valores de los acoplamientos diferentes, y luego a todo el rango de temperatura, para obtener un diagrama de fases completo, con énfasis en la determinación de las fases intermedias. Discutimos la inclusión de diferentes fases en el dataset, incluyendo una fase paramagnética de alta temperatura, y también comparamos con otras técnicas más sencillas de aprendizaje automático, como SVMy Random Forest.