자성 상태를 규명하는 것은 다양한 응용 분야에서 큰 관심을 받는 주제이지만, 중성자 산란 실험의 한계로 인해 직접적인 식별이 항상 용이하지는 않다. 본 연구에서는 스핀 적분 여기 스펙트럼(예: 상태밀도)으로부터 자성을 식별하기 위해 결정 트리 알고리즘을 사용하는 기계학습 접근법을 제시한다. 데이터셋은 바탕이 되는 원자 수준의 계산에서 얻은 정보를 대상으로 하여 Wannier Hamiltonian 위에서 가능한 반강자성 질서 후보들에 대한 Hartree–Fock 평균장(mean-field) 계산을 수행함으로써 생성하였다. 이는 BaOsO ${}_3$ ${}_3$ 를 표적으로 하는 제1원리 계산에서 추출하였다. 본 기계학습 모델은 국소 상태밀도, 고대칭 점에서의 운동량 분해 상태밀도, 페르미 준위로부터의 최저 여기 에너지 등 다양한 유형의 스펙트럼 데이터를 사용하여 학습하였다. 상태밀도는 기계학습에 대해 전반적으로 우수한 성능을 보였으나, 스펙트럼 선폭(broadening) 방법이 모델의 성능에 유의미한 영향을 미치는 것으로 나타났다. 우리는 여기 에너지를 기계학습의 특징(feature)으로 설계함으로써 모델의 성능을 향상시켰으며, 기계학습에 사용한 학습 샘플과는 다른 방법으로 생성된 시험 샘플에서도 반강자성 질서에 대한 탁월한 분류 성능을 달성하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.