机器学习有效哈密顿量方法及其在磁性体系中的应用

报告题目：机器学习有效哈密顿量方法及其在磁性体系中的应用

报  告  人：徐长松  复旦大学物理系

报告时间：12月19日14：00

报告地点：37-602

内容简介：第一性原理计算考虑体系的各种自由度，具有很高的精度，但是只能处理零温下的小体系，因而在应用上受到一定的限制。有效模型只考虑单一或少数自由度，相互作用明确，可以研究大体系的热力学和动力学问题，但是缺点在于精度偏低。基于第一性原理的有效哈密顿量方法，从第一性原理得到相互作用参数，可以集两种方法的优点于一体，实现高精度、大尺度的模拟。本报告将讨论该方法在磁性体系，尤其是量子自选液体中的应用，介绍若干种常用的获取磁性相互作用参数的方法。我们还将讨论该方法在多铁体系和斯格明子体系中的应用，并重点关注Kitaev相互作用，Dzyaloshinskii–Moriya相互作用和多体高阶等磁性相互作用。

报告人简介：徐长松，2016年博士毕业于清华大学物理系，2021年入职复旦大学物理系任青年研究员，2022年获得国家青年人才项目资助，2023入选小米青年学者。研究方向为计算凝聚态物理。主要采用和发展密度泛函理论和基于第一性原理的有效哈密顿量方法，研究铁性体系，如铁磁、铁电和多铁等体系的新奇相互作用和物理性质。近期研究内容涉及磁性拓扑缺陷（如斯格明子），量子自旋液体，磁电耦合和相互调控，以及二维材料等。