전자구조 스펙트럼 기반 자기질서 분류를 위한 머신러닝 모델

Machine learning classification of magnetic order from electronic-structure spectra

연구 내용

스핀-적분 여기 스펙트럼과 밀도특성으로 항자성 등 자기질서를 결정나무 기반 머신러닝으로 분류하는 연구

중성자 산란과 같은 직접 관측의 한계를 고려하여, 전자구조에서 얻는 스핀-적분 여기 스펙트럼으로 자기질서를 간접 판별하는 방법을 연구합니다. Hartree–Fock mean-field 계산으로 후보 항자성 질서를 만들고, Wannier Hamiltonian을 바탕으로 밀도 상태와 국소/고대칭점 분해 스펙트럼을 데이터셋으로 구성합니다. decision-tree 알고리즘에서 broadening 방식에 따른 성능 변화를 분석하고, 여기 에너지를 특징으로 설계하여 학습 데이터와 다른 생성 방법에서도 안정적인 분류 성능을 확보하는 방향을 제시합니다. 이 과정에서 자기질서-스펙트럼 매핑의 재현성을 점검합니다.

관련 프로젝트

0건

연구 흐름

초기에는 후보 항자성 질서를 계산으로 생성하고, local density of states 및 momentum-resolved density of states 등 스펙트럼 표현을 머신러닝 입력으로 구성했습니다. 이후 자기질서 분류에서 broadening이 성능에 미치는 영향을 체계적으로 확인하고, 입력 특징을 excitation energy 중심으로 재설계해 분류 정확도를 개선했습니다. 2023년에는 해당 결과의 정오를 반영하는 형태로 후속 정보를 정리하여, 스펙트럼 기반 분류 방법의 재현성을 유지하는 방향으로 연구를 보완했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

스핀 스펙트럼 기반 자기질서 판별
분광 데이터 기반 재료 스크리닝
대체 실험 데이터로의 분류 모델링
전자구조-자기질서 매핑 데이터셋 구축
decision-tree 기반 해석가능 모델
분류 특징(여기 에너지) 설계
브로드닝 민감도 평가 프레임
다중 표현(국소/고대칭점) 융합
새 후보 후보재료의 빠른 분류
학습-생성방법 불일치 대응 파이프라인