Spin neural network potential for magnetic phase transitions in uranium dioxide

二酸化ウランの磁気相転移を記述するスピンニューラルネットワークポテンシャル

小林 恵太 ; 中村 博樹  ; 板倉 充洋  

Kobayashi, Keita; Nakamura, Hiroki; Itakura, Mitsuhiro

二酸化ウラン(UO)は典型的な核燃料材料であるが、その熱物性を広い温度範囲にわたって予測することは依然として困難である。この困難の一因は、低温で現れる複雑な磁気秩序にある。UOではスピン軌道相互作用により、スピンと格子の自由度の間に強い結合が生じる。本研究では、UOの磁気状態を記述するために、スピン自由度とスピン・軌道相互作用を明示的に組み込んだスピンニューラルネットワークポテンシャルを開発した。スピンダイナミクスを取り入れた機械学習分子動力学シミュレーションにより、反強磁性・常磁性転移を再現することに成功した。得られた転移温度は実験で観測される値と同程度のオーダーであり、機械学習ポテンシャルがアクチノイド酸化物における大規模なスピン格子シミュレーションを可能にし、複雑な磁性材料の予測モデリングに向けた実用的な手法を提供できることを示している。

Uranium dioxide (UO) is a prototypical nuclear fuel material, yet predicting its thermophysical properties across a wide temperature range remains challenging. One factor contributing to this difficulty is the complex magnetic ordering at low temperatures, where spin-orbit coupling produces strong coupling between spin and lattice degrees of freedom. Here, we develop a spin neural network potential that explicitly incorporates spin degrees of freedom together with spin-orbit coupling to describe the magnetic states of UO. Machine-learning molecular dynamics simulations with spin dynamics successfully capture the antiferromagnetic-paramagnetic transition. The obtained transition temperature is of the same order of magnitude as that observed in experiments, indicating that machine-learning potentials can enable large-scale spin-lattice simulations of actinide oxides and provide a practical approach for predictive modeling of complex magnetic materials.