arXiv · Materials Science· Yu-Hsuan Lin, Joel E. Moore·· 7 小时前
Yu-Hsuan Lin与Joel E. Moore提出用于Kagome金属反常霍尔电导的物理信息机器学习框架
Physics-Informed Machine Learning for Response Tensors in Crystalline Magnets: Application to Kagome Metals
arXiv:2610.22642v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yu-Hsuan Lin, Joel E. Moore
研究任务与主要进展
Yu-Hsuan Lin与Joel E. Moore提出一套用于任意晶体结构和磁性纹理响应张量的完整对称性不变描述符，并改进主成分分析以获得无相关、层级稳定的序参量。作者将该方法用于Kagome磁格子反常霍尔电导的回归与分类；在反常霍尔电导适合用序参量线性回归描述的条件下，回归系数平方呈现Zipf型幂律。材料仅提供论文摘要，未说明具体数据规模、基线、误差指标或实验验证细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org