Maschinelles Lernen unterstützt Vorhersage der Dynamik stromgetriebener verschachtelter Skyrmion-Beutel

Magnetische Wirbel als winzige Daten­träger

Moderne Elektronik setzt zunehmend darauf, den Spin von Elektronen statt nur ihre Ladung zu nutzen. Diese Studie untersucht exotische, whirlpoolähnliche Muster in Magneten, sogenannte Skyrmion-Beutel, als potenzielle Informationsträger für künftige energieeffiziente, hochdichte Bauteile. Durch die Kombination fortgeschrittener Computersimulationen mit maschinellem Lernen zeigen die Autoren, wie diese winzigen Strukturen präzise durch elektrische Ströme gesteuert werden können und wie sie Signale in nanoskaligen Schaltungen leiten lassen.

Was Skyrmion-Beutel sind und warum sie wichtig sind

Skyrmion-Beutel sind Ansammlungen wirbelnder Magnetisierung: ein größerer Wirbel umschließt mehrere kleinere, ein wenig wie Murmeln in einer Seifenblase. Jeder Wirbel trägt zu einer Größe bei, die als topologische Ladung bezeichnet wird und erfasst, wie sich die Spins im Raum winden. Entscheidend steuert diese Ladung, wie sich ein Skyrmion-Beutel bewegt, wenn er von einem elektrischen Strom angetrieben wird. Im Gegensatz zu gewöhnlichen magnetischen Domänen sind diese Texturen robust und lassen sich dicht packen, weshalb sie sich für Speicher- und Logikanwendungen eignen, in denen viele Datenbits auf kleinem Raum koexistieren müssen.

Die magnetischen Wirbel auf gerader Bahn halten

Ein zentrales Hindernis für die Nutzung von Skyrmionen in Bauteilen ist der Skyrmion‑Hall‑Effekt: Werden sie von einem Strom angetrieben, neigen sie dazu, seitlich abzudriften statt geradeaus zu laufen, wodurch sie an Bauteilkanten geraten und verloren gehen können. Die Autoren entwerfen eine spezielle Klasse „ausgeglichener“ verschachtelter Skyrmion-Beutel, deren gesamte topologische Ladung null ist. In diesen Strukturen heben sich positive und negative Beiträge so auf, dass die seitlichen Kräfte ausbalanciert sind. Detaillierte mikromagnetische Simulationen, gestützt durch analytische Berechnungen, zeigen, dass sich diese Null‑Ladungs‑Beutel gerade entlang der Stromrichtung bewegen, was ihren Einsatz in Racetrack‑Speichern vereinfacht, wo geradlinige Bewegung entscheidend ist.

Die Wirbel formen und einengen

Wenn immer mehr kleine Skyrmionen in einem Beutel verschachtelt werden, können innere Kräfte die Struktur seitlich auseinanderziehen, auch wenn die Gesamtseitenverschiebung vernachlässigbar bleibt. Das Team kartiert, wann solche komplexen Beutel stabil sind, indem es einen einzigen dimensionslosen Parameter variiert, der den Wettbewerb zwischen unterschiedlichen magnetischen Energien zusammenfasst. Sie untersuchen außerdem, wie zusätzliche konzentrische Domänenwände um einen großen verschachtelten Beutel als einschnürender Käfig wirken. Einige zusätzliche Wände können seitliches Auseinanderziehen erfolgreich unterdrücken, doch zu viele Schichten drücken die inneren Skyrmionen so stark zusammen, dass einige von ihnen annihilieren und die Struktur in andere mehrwindige Muster mit sehr unterschiedlicher Bewegung übergehen.

Die Maschinen lernen, wie sich die Wirbel bewegen

Für jede mögliche Kombination aus Struktur und Materialparametern genau vorherzusagen, wie ein verschachtelter Skyrmion-Beutel reist, ist mit vollständigen Simulationen sehr rechenintensiv. Um das zu umgehen, erzeugen die Autoren einen großen Datensatz simulierten Trajektorien und trainieren zwölf verschiedene Modelle des maschinellen Lernens, um den Bewegungswinkel aus nur fünf Eingaben vorherzusagen: Anzahl äußerer und innerer Skyrmionen, magnetische Dämpfung, Wechselwirkungsstärke und Stromstärke. Moderne gradientenverstärkte Entscheidungsbaumverfahren und ein neuronales Netzwerk lernen diese komplizierte Beziehung sehr gut und erreichen hohe Genauigkeit über ein weites Spektrum von Bewegungswinkeln, während einfache lineare Regression versagt und damit die starke Nichtlinearität des Verhaltens offenbart.

Signale in nanoskaligen Schaltungen lenken

Mit schnellen Vorhersagen durch maschinelles Lernen entwerfen die Forschenden ein Demultiplexer‑Bauteil, das einen eintreffenden Skyrmion-Beutel abhängig von seiner Struktur an einen von mehreren Ausgangskanälen sendet. Durch Auswahl unterschiedlicher Kombinationen von inneren und äußeren Wirbeln lässt sich der Bewegungswinkel um mehr als sechzig Grad variieren, sodass Beutel mit unterschiedlicher innerer Anordnung unter demselben Strom natürlicherweise zu verschiedenen Ausgängen abzweigen. In diesem Szenario repräsentiert das Vorhandensein oder Fehlen eines Beutels an einem Ausgang digitale Einsen und Nullen. Die Arbeit zeigt, dass durch gezieltes Gestalten der Topologie und Einschnürung von Skyrmion-Beuteln und durch die Kombination physikbasierter Modelle mit maschinellem Lernen spintronische Bauelemente wie Racetrack‑Speicher und Signalverteiler gebaut werden können, die die seitliche Bewegung magnetischer Wirbel ausnutzen statt gegen sie anzukämpfen.

Zitation: Li, R., Zhu, Y., Zhang, X. et al. Machine learning assisted prediction of dynamics in current-driven nested skyrmion bags. Commun Phys 9, 184 (2026). https://doi.org/10.1038/s42005-026-02660-1

Schlüsselwörter: Skyrmion-Beutel, Spintronik, magnetischer Speicher, maschinelles Lernen, Hall‑Winkel