Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning

Autores
Cornaglia de la Cruz, Pablo Sebastian; Nuñez, Matias; Garcia, Daniel Julio
Año de publicación
2023
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
In this study, we present a comprehensive theoretical analysis of magnetic Fibonacci quasicrystals, which could potentially be realized through the stacking of ferromagnetic van der Waals layers. We introduce a model that incorporates up to second-neighbor interlayer magnetic interactions and displays a complex interplay between geometric frustration and magnetic order. To explore the parameter space and identify distinct magnetic phases, we employ a machine learning approach. This methodology proves effective in elucidating the intricate magnetic behavior of the system. We offer a detailed magnetic phase diagram as a function of the model parameters and notably discover a unique ferromagnetic alternating helical phase among other collinear and noncollinear phases. In this noncollinear, quasiperiodic, and ferromagnetic configuration, the magnetization decreases logarithmically with the stack height.
Fil: Cornaglia de la Cruz, Pablo Sebastian. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; Argentina
Fil: Nuñez, Matias. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Biodiversidad y Medioambiente. Universidad Nacional del Comahue. Centro Regional Universidad Bariloche. Instituto de Investigaciones en Biodiversidad y Medioambiente; Argentina
Fil: Garcia, Daniel Julio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; Argentina
Materia
QUASICRYSTAL
MAGNETISM
MACHINE LEARNING
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/232608
Acceder
id CONICETDig_b4e4a7cb65667c52a4ebe6755dcdd1a4
oai_identifier_str oai:ri.conicet.gov.ar:11336/232608
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learningCornaglia de la Cruz, Pablo SebastianNuñez, MatiasGarcia, Daniel JulioQUASICRYSTALMAGNETISMMACHINE LEARNINGhttps://purl.org/becyt/ford/1.3https://purl.org/becyt/ford/1In this study, we present a comprehensive theoretical analysis of magnetic Fibonacci quasicrystals, which could potentially be realized through the stacking of ferromagnetic van der Waals layers. We introduce a model that incorporates up to second-neighbor interlayer magnetic interactions and displays a complex interplay between geometric frustration and magnetic order. To explore the parameter space and identify distinct magnetic phases, we employ a machine learning approach. This methodology proves effective in elucidating the intricate magnetic behavior of the system. We offer a detailed magnetic phase diagram as a function of the model parameters and notably discover a unique ferromagnetic alternating helical phase among other collinear and noncollinear phases. In this noncollinear, quasiperiodic, and ferromagnetic configuration, the magnetization decreases logarithmically with the stack height.Fil: Cornaglia de la Cruz, Pablo Sebastian. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; ArgentinaFil: Nuñez, Matias. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Biodiversidad y Medioambiente. Universidad Nacional del Comahue. Centro Regional Universidad Bariloche. Instituto de Investigaciones en Biodiversidad y Medioambiente; ArgentinaFil: Garcia, Daniel Julio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; ArgentinaAmerican Physical Society2023-10info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/232608Cornaglia de la Cruz, Pablo Sebastian; Nuñez, Matias; Garcia, Daniel Julio; Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning; American Physical Society; Physical Review B; 108; 14; 10-2023; 1-112469-9969CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/doi/10.1103/PhysRevB.108.144429info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-10-22T11:39:17Zoai:ri.conicet.gov.ar:11336/232608instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-10-22 11:39:18.188CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
title Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
spellingShingle Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
Cornaglia de la Cruz, Pablo Sebastian
QUASICRYSTAL
MAGNETISM
MACHINE LEARNING
title_short Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
title_full Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
title_fullStr Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
title_full_unstemmed Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
title_sort Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning
dc.creator.none.fl_str_mv Cornaglia de la Cruz, Pablo Sebastian
Nuñez, Matias
Garcia, Daniel Julio
author Cornaglia de la Cruz, Pablo Sebastian
author_facet Cornaglia de la Cruz, Pablo Sebastian
Nuñez, Matias
Garcia, Daniel Julio
author_role author
author2 Nuñez, Matias
Garcia, Daniel Julio
author2_role author
author
dc.subject.none.fl_str_mv QUASICRYSTAL
MAGNETISM
MACHINE LEARNING
topic QUASICRYSTAL
MAGNETISM
MACHINE LEARNING
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.3
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv In this study, we present a comprehensive theoretical analysis of magnetic Fibonacci quasicrystals, which could potentially be realized through the stacking of ferromagnetic van der Waals layers. We introduce a model that incorporates up to second-neighbor interlayer magnetic interactions and displays a complex interplay between geometric frustration and magnetic order. To explore the parameter space and identify distinct magnetic phases, we employ a machine learning approach. This methodology proves effective in elucidating the intricate magnetic behavior of the system. We offer a detailed magnetic phase diagram as a function of the model parameters and notably discover a unique ferromagnetic alternating helical phase among other collinear and noncollinear phases. In this noncollinear, quasiperiodic, and ferromagnetic configuration, the magnetization decreases logarithmically with the stack height.
Fil: Cornaglia de la Cruz, Pablo Sebastian. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; Argentina
Fil: Nuñez, Matias. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Biodiversidad y Medioambiente. Universidad Nacional del Comahue. Centro Regional Universidad Bariloche. Instituto de Investigaciones en Biodiversidad y Medioambiente; Argentina
Fil: Garcia, Daniel Julio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche | Comisión Nacional de Energía Atómica. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología. Unidad Ejecutora Instituto de Nanociencia y Nanotecnología - Nodo Bariloche; Argentina
description In this study, we present a comprehensive theoretical analysis of magnetic Fibonacci quasicrystals, which could potentially be realized through the stacking of ferromagnetic van der Waals layers. We introduce a model that incorporates up to second-neighbor interlayer magnetic interactions and displays a complex interplay between geometric frustration and magnetic order. To explore the parameter space and identify distinct magnetic phases, we employ a machine learning approach. This methodology proves effective in elucidating the intricate magnetic behavior of the system. We offer a detailed magnetic phase diagram as a function of the model parameters and notably discover a unique ferromagnetic alternating helical phase among other collinear and noncollinear phases. In this noncollinear, quasiperiodic, and ferromagnetic configuration, the magnetization decreases logarithmically with the stack height.
publishDate 2023
dc.date.none.fl_str_mv 2023-10
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/232608
Cornaglia de la Cruz, Pablo Sebastian; Nuñez, Matias; Garcia, Daniel Julio; Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning; American Physical Society; Physical Review B; 108; 14; 10-2023; 1-11
2469-9969
CONICET Digital
CONICET
url http://hdl.handle.net/11336/232608
identifier_str_mv Cornaglia de la Cruz, Pablo Sebastian; Nuñez, Matias; Garcia, Daniel Julio; Unveiling exotic magnetic phases in Fibonacci quasicrystals through machine learning; American Physical Society; Physical Review B; 108; 14; 10-2023; 1-11
2469-9969
CONICET Digital
CONICET
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/doi/10.1103/PhysRevB.108.144429
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv American Physical Society
publisher.none.fl_str_mv American Physical Society
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1846782056399372288
score 12.982451

Publicaciones similares