对称不变机器学习描述符预测Kagome金属反常霍尔电导
热点事件持续更新
对称不变机器学习描述符预测Kagome金属反常霍尔电导
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Yu-Hsuan Lin 与 Joel E. Moore 提出一套适用于任意晶体结构和磁性纹理的完整对称性不变描述符基，用于磁性晶体响应张量的机器学习建模，并改进主成分分析以获得无相关、层级稳定的序参量。方法已作为 arXiv 论文发布。 作者将该框架应用于磁性 Kagome 格子反常霍尔电导（AHC）的回归与分类；在 AHC 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。
AI 根据报道生成 · 3 小时前更新
最新进展10月19日 12:00
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报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv · Materials ScienceYu-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
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。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月19日 16:00
- 近 24 小时变化
- –
02.557.510
16:0017:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。