Predizione dei moti assistita da machine learning in skyrmion bag annidati guidati da corrente

Vortici magnetici come minuscoli vettori di dati

L'elettronica moderna si basa sempre più sulla manipolazione dello spin degli elettroni anziché solo della loro carica. Questo studio esplora esotici pattern a forma di vortice nei materiali magnetici, chiamati skyrmion bag, come potenziali vettori d'informazione per dispositivi futuri a basso consumo e alta densità. Combinando avanzate simulazioni al computer con il machine learning, gli autori mostrano come queste minuscole strutture possano essere guidate con precisione da correnti elettriche e impiegate per instradare segnali in circuiti su scala nanometrica.

Cosa sono i skyrmion bag e perché sono importanti

I skyrmion bag sono ammassi di magnetizzazione vorticosa: un vortice più grande racchiude diversi vortici più piccoli, un po’ come biglie dentro una bolla di sapone. Ogni vortice contribuisce a una quantità chiamata carica topologica, che descrive come gli spin si avvolgono nello spazio. Crucialmente, questa carica determina come si muove un skyrmion bag quando viene spinto da una corrente elettrica. A differenza dei domini magnetici ordinari, queste texture sono robuste e possono essere impacchettate in modo denso, rendendole interessanti per applicazioni di memoria e logica dove molti bit devono coesistere su tracce molto strette.

Mantenere i vortici su una traiettoria rettilinea

Un grande ostacolo all'uso degli skyrmion nei dispositivi è l'effetto Hall degli skyrmion: quando sono mossi da una corrente tendono a deviare lateralmente invece di muoversi in linea retta, rischiando di colpire i bordi del dispositivo e andare perduti. Gli autori progettano una classe speciale di skyrmion bag annidati “bilanciati” la cui carica topologica totale è zero. In queste strutture, i contributi positivi e negativi si annullano in modo che le forze laterali si compensino. Simulazioni micromagnetiche dettagliate, supportate da calcoli analitici, mostrano che questi bag a carica zero viaggiano in linea retta nella direzione della corrente, semplificando notevolmente il loro impiego in memorie a pista (racetrack) dove il moto rettilineo è essenziale.

Modellare e confinare i vortici

Man mano che un numero crescente di piccoli skyrmion viene annidato dentro un bag, forze interne possono allungare la struttura lateralmente anche se la deviazione complessiva resta trascurabile. Il gruppo mappa quando tali bag complessi sono stabili variando un singolo parametro adimensionale che riassume la competizione tra diverse energie magnetiche. Esplorano inoltre l'aggiunta di pareti di dominio concentriche attorno a un grande bag annidato per far da gabbia di confinamento. Poche pareti aggiuntive possono sopprimere con successo l'allungamento laterale, ma troppe strati comprimono così tanto gli skyrmion interni che alcuni di essi vengono annichiliti, trasformando la struttura in altri pattern multi-avvolgimento con moti molto diversi.

Far imparare alle macchine come si muovono i vortici

Prevedere esattamente come un bag di skyrmion annidato si muoverà per ogni possibile combinazione di struttura e parametri materiali è computazionalmente costoso se fatto solo con simulazioni complete. Per superare questo limite, gli autori generano un ampio dataset di traiettorie simulate e addestrano dodici diversi modelli di machine learning per prevedere l'angolo di moto a partire da soli cinque input: il numero di skyrmion esterni e interni, l'ammortizzazione magnetica, la forza d'interazione e la corrente. Moderni alberi decisionali con boosting del gradiente e una rete neurale apprendono molto bene questa relazione complicata, raggiungendo elevata accuratezza su un ampio intervallo di angoli di moto, mentre una semplice regressione lineare fallisce, rivelando che il comportamento è fortemente non lineare.

Instradare segnali in circuiti nanoscopici

Dotati di predizioni rapide fornite dal machine learning, i ricercatori progettano un dispositivo demultiplexer, che prende un singolo skyrmion bag in ingresso e lo invia verso uno dei diversi canali di uscita a seconda della sua struttura. Scegliendo diverse combinazioni di vortici interni ed esterni, l'angolo di moto può essere regolato per oltre sessanta gradi, così che bag con layout interni differenti si deflettano naturalmente verso uscite diverse sotto la stessa corrente. In questo schema, la presenza o assenza di un bag in una data uscita rappresenta gli uni e gli zero digitali. Questo lavoro dimostra che ingegnerizzando la topologia e il confinamento degli skyrmion bag e combinando modelli fisici con il machine learning, è possibile costruire componenti spintronici come memorie a pista e instradatori di segnale che sfruttano, invece di contrastare, il moto laterale dei vortici magnetici.

Citazione: 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

Parole chiave: skyrmion bag, spintronica, memoria magnetica, machine learning, angolo di Hall