Key points are not available for this paper at this time.
Apresentamos um modelo de aprendizado de máquina (ML) escalável para prever propriedades eletrônicas locais, como número de elétrons no local e dupla ocupação para sistemas eletrônicos correlacionados desordenados. Nossa abordagem é baseada no princípio da localidade, ou na natureza de visão limitada, de muitos sistemas eletrônicos, o que significa que as propriedades eletrônicas locais dependem principalmente do ambiente imediato. Um modelo de ML é desenvolvido para codificar essa complexa dependência de quantidades locais em relação ao vizinhança. Demonstramos nossa abordagem usando o modelo de Anderson-Hubbard em rede quadrada, que é um sistema paradigmático para estudar a interação entre a transição de Mott e a localização de Anderson. Desenvolvemos um descriptor de rede com base no método de teoria de grupos para representar os potenciais aleatórios no local dentro de uma região finita. As variáveis características resultantes são utilizadas como entrada para uma rede neural totalmente conectada em múltiplas camadas, que é treinada a partir de conjuntos de dados de simulações de Monte Carlo variacional (VMC) em pequenos sistemas. Mostramos que as predições de ML concordam razoavelmente bem com os dados de VMC. Nosso trabalho sublinha o potencial promissor dos métodos de ML para modelagem multiescalar de sistemas eletrônicos correlacionados.
Liu et al. (Ter,) estudaram essa questão.