🔬 materials science

Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy

本文介绍了 MEOWN，这是一个物理启发式机器学习框架，通过将静电建模与对称性驱动的优化相结合，能够快速且准确地预测晶体材料中的缪子停止位点，为研究量子磁性提供了一种比传统密度泛函理论方法更具计算效率的替代方案。

原作者： A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

发布于 2026-09-16

📖 1 分钟阅读☕ 轻松阅读

原作者： A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

为了理解隐藏在新型量子材料中的磁性奥秘，科学家们经常使用一种微小且转瞬即逝的粒子——缪子（muon）。想象一下，向固体晶体中发射出一股这些带正电的粒子流。它们几乎瞬间减速，并停留在晶格中原子之间的一个特定空位处。一旦停稳，缪子就像一个微型的指南针，随着周围原子产生的局部磁场而旋转。通过观察这种自旋随时间的变化，研究人员可以绘制出磁有序、超导性以及其他其他工具无法观测到的复杂行为图谱。然而，为了正确解读这张地图，科学家必须确切知道缪子停在了哪里。如果猜错了位置，他们对磁性数据的解释就会变得模棱两可，甚至可能导致对材料真实性质的误解。

几十年来，寻找这些停靠点标准方法是使用基于量子力学定律的强大计算机模拟。这些计算极其精确，但也极其缓慢且昂贵，通常需要为单一材料进行数日的计算。这一瓶颈使得快速筛选新材料或实时分析数据变得十分困难。来自印度的一支研究团队现在开发了一种新方法，在不牺牲准确性的前提下绕过了这种缓慢过程。他们创建了一个名为 MEOWN 的工具，该工具将已知的物理定律与一种人工智能相结合，能够在短短几分钟内预测缪子会在晶体中的哪个位置停下。

研究人员构建 MEOWN 是为了理解引导缪子到达其静止位置的各种作用力。他们知道，缪子会被晶体中的负电荷吸引，被电子云排斥，并受到晶体原子为适应它而发生的轻微位移的影响。MEOWN 并没有尝试从头开始计算每一次相互作用（这是传统慢速方法所做的），而是采用了一种“物理启发式”策略。这意味着该软件不仅仅是基于模式进行猜测；它被教授了关于电荷和原子如何相互作用的基本规则。该系统获取一个晶体的数字模型，将其填充进这些物理规则，然后使用一个轻量级的神经网络——一种简单的形式的人工智能——来扫描整个结构。该网络充当一个高速探测器，根据物理力创造的能量景观，标示出缪子最可能停留的区域。

为了测试这种快速方法是否有效，团队将其应用于多种知名材料，包括一种名为 MnSi 的金属磁体以及几种离子晶体，如氟化钙和氟化锂。在每种情况下，该软件都成功识别了正确的停靠点，并计算了这些位置的磁场。例如，在氟化钴材料中，该程序预测的磁场强度为 0.277 特斯拉，这与使用缓慢传统方法得到的 0.265 特斯拉极其接近，并且与实际的实验测量值高度吻合。该软件在标准的台式计算机上用不到几分钟就达到了这种精度水平，而使用传统技术完成这项任务通常需要更长的时间。

结果表明，MEOWN 可以作为科学家研究量子材料的一个快速且可靠的第一步。它并不取代用于最终确认的深度、详细计算，但它允许研究人员快速缩小范围，并将精力集中在最有希望的候选对象上。通过将物理定律直接嵌入学习过程，该团队创建了一个既快速又具有科学严谨性的工具。这种方法为分析更广泛的材料打开了大门，并可能加速新量子现象的发现，将曾经需要数日的过程缩短至仅需数分钟。

技术摘要：用于缪子停止位点预测的 MEOWN 框架

问题陈述
缪子自旋旋转/弛豫 ( $\mu$ SR) 是研究量子材料中磁序、自旋动力学和超导性的关键微观探针。然而， $\mu$ SR 数据的定量解释在根本上依赖于识别晶格内的平衡缪子停止位点。传统上，这种识别是通过基于密度泛函理论 (DFT) 的结构弛豫来完成的。虽然这种方法很精确，但传统的 DFT 方法计算量巨大、耗时且需要深厚的专业知识，特别是在处理大型超胞、低对称性晶体或强关联系统时。现有的软件工具（如 MuESR、muFinder）往往继承了这些高昂的计算成本，限制了其在快速数据分析和高通量材料筛选中的应用。

方法论：MEOWN 框架
作者介绍了 MEOWN（优化加权网络缪子引擎），这是一个物理信息机器学习框架，旨在以大幅降低的计算成本预测能量上有利的缪子停止位点。该框架通过以下组件将第一性原理物理与轻量级深度学习架构相结合：

物理信息输入表示：
MEOWN 不仅仅依赖几何描述符，而是构建了一个包含四个基于 极化非扰动静电势 (P-UEP) 模型的物理输入通道的 3D 体素网格 (48 $\times$ 48 $\times$ 48)：
- 负总相互作用能 ( $-V_{Total}$ )。
- 来自离子核的库仑势 ( $1/q_i r_i$ )。
- 极化势 ( $V_{Pol}$ )。
- 最小距离场 ( $d_{min}$ )。
  P-UEP 模型显式地纳入了 Hartree/交换相关势、Thomas-Fermi 电子屏蔽、Tang-Toennies 极化阻尼、Born-Mayer 重叠斥力以及量子零点能 (ZPE) 校正。
神经网络架构：
一个参数量少于 5,000 个的可训练参数的轻量级 3D 卷积神经网络 (3D-CNN) 处理该输入张量。该网络由四个连续的卷积层组成（通道演变过程为：4 $\to$ 16 $\to$ 32 $\to$ 16 $\to$ 1），并配有批归一化 (Batch Normalization) 和 ReLU 激活函数。CNN 输出一个 3D 概率图，指示可能托管稳定缪子位点的区域。
混合种子生成与优化：
候选位点通过结合以下方式的多阶段策略生成：
- CNN 概率极大值： 来自网络的高概率区域。
- 物理引导种子： 高对称性间隙位置（体心、面心等）和化学信息引导的种子（例如，靠近电负性阴离子、特定的桥联位点，如氟化物的 F–F 桥联）。
  这些候选位点通过晶体对称性和最小距离准则进行过滤，然后使用 L-BFGS-B 在 P-UEP 势能面上进行精修。
对称性约束：
该框架显式地利用晶体对称性（通过 spglib 库）来缩小搜索空间。能量梯度和海森矩阵 (Hessian matrices) 被投影到对称允许的子空间中，以确保弛豫后的位点与宿主晶体的空间群保持一致。
训练与实现：
该模型采用自监督方法进行训练，目标势能直接由 P-UEP 物理引擎生成，从而消除了对人工标记数据集的需求。损失函数最小化 CNN 预测势能与物理引擎势能之间的均方误差 (MSE)。该软件使用 Python 实现，利用 PyTorch 进行神经网络处理，并使用 NumPy/SciPy 进行物理引擎计算，支持 CPU 和 GPU 执行。

核心贡献

开发了 MEOWN： 一个通用的软件框架，它将 P-UEP 物理模型与 3D-CNN 相结合，用于预测缪子停止位点。
物理信息学习： 将静电、屏蔽、极化和量子力学相互作用显式嵌入到学习工作流中，确保了物理可解释性和一致性，而无需依赖黑盒数据拟合。
计算效率： 该框架实现了相对于传统 DFT 方法的显著加速，在标准台式机上可在几分钟内完成整个预测流程（从 CIF 输入到排序位点）。
自动化工作流： 一个全自动的流水线，仅需晶体学信息文件 (CIF) 作为输入，无需用户定义初始位置。

结果与验证
该框架在一系列多样化的基准材料上进行了验证，包括金属螺旋磁体 MnSi 和离子氟化物 CoF $_2$ , CaF $_2$ , LiF, 以及 NaF。

准确性： 预测的停止位点、Wyckoff 位置和局部偶极磁场与先前报道的实验数据及 DFT+ $\mu$ $μ$ 结果高度吻合。
- 对于 CoF $_2$ ，MEOWN 预测的局部偶极场为 0.277 T，而 DFT+ $\mu$ 值为 0.265 T（偏差 3.5%），实验值为 0.228 T。
- 对于 MnSi，预测在分数坐标 (0.55, 0.55, 0.55) 处的位点及其磁场 0.123 T，与已建立的实验和理论发现相匹配。
迁移性： 该模型成功地在化学性质截然不同的系统（金属型 vs 离子型）之间进行了泛化，无需针对特定材料的拟合参数。
速度： 基准材料的整个过程在不到几分钟内即可完成，这与通常需要数小时或数天的重复 DFT 结构弛豫形成了鲜明对比。

意义与主张
论文将 MEOWN 定位为并非完全取代自洽第一性原理计算，而是一个计算高效的中间框架。其主要意义在于：

快速筛选： 在进行昂贵的 DFT 计算之前，实现对物理上合理的缪子位点的快速识别，从而促进高通量材料筛选。
易用性： 提供了一个用户友好型工具，仅需极少的 DFT 分析专业知识，使 $\mu$ SR 数据的解释变得更加容易。
物理严谨性： 证明了将既定的物理原理嵌入机器学习中，可以在保持科学严谨性的同时，获得具有可解释性、鲁棒性和准确性的预测。

作者总结道，MEOWN 在计算速度和物理精度之间提供了切实的平衡，是 $\mu$ SR 领域研究磁性、超导及复杂量子材料的有力工具。

技术摘要：用于缪子停止位点预测的 MEOWN 框架

类似论文