자성 물질의 자기 상태를 규명하는 일은 광범위한 응용 분야에서 큰 관심을 받고 있으나, 중성자 산란 실험의 한계로 인해 직접적인 식별이 항상 용이하지는 않다. 본 연구에서는 스핀-적분 여기 스펙트럼(예: 상태밀도)으로부터 의사결정 트리 알고리즘을 사용하는 기계학습 접근법을 통해 자성을 식별하는 방법을 제시한다. 데이터셋은 BaOsO3를 대상으로 한 제일원리 계산으로부터 추출된 Wannier 해밀토니언 위에서, 가능한 반강자성 정렬을 하트리-포크 평균장 계산으로 생성하였다. 우리의 기계학습 모델은 국소 상태밀도, 고대칭 점에서의 운동량 분해 상태밀도, 페르미 준위로부터의 최저 여기 에너지 등 다양한 형태의 스펙트럼 데이터를 사용해 학습하였다. 상태밀도는 기계학습에서 양호한 성능을 보였지만, 스펙트럼 선폭(broadening) 방법이 모델 성능에 큰 영향을 미쳤다. 우리는 여기 에너지를 기계학습의 특성으로 설계함으로써 모델 성능을 향상시켰으며, 기계학습에 사용된 학습 샘플과는 다른 방법으로 생성된 테스트 샘플에서도 반강자성 정렬을 매우 우수하게 분류할 수 있었다.

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