Machine learning-ondersteunde voorspelling van dynamica in stroomgestuurde geneste skyrmion-tassen

Magnetische wervels als kleine gegevensdragers

Moderne elektronica steunt steeds meer op het manipuleren van de spin van elektronen in plaats van alleen hun lading. Deze studie onderzoekt exotische, draaikolkachtige patronen in magneten, zogenaamde skyrmion-tassen, als potentiële informatiedragers voor toekomstige energiezuinige en hoge-dichtheidapparaten. Door geavanceerde computersimulaties te combineren met machine learning, laten de auteurs zien hoe deze kleine structuren nauwkeurig door elektrische stromen kunnen worden gestuurd en gebruikt om signalen te routeren in nanoschaalcircuits.

Wat skyrmion-tassen zijn en waarom ze ertoe doen

Skyrmion-tassen zijn clusters van wentelende magnetisatie: een grotere werveling omsluit verschillende kleinere, een beetje zoals knikkers in een zeepbel. Elke werveling draagt bij aan een hoeveelheid die topologische lading heet en beschrijft hoe de spins zich in de ruimte wikkelen. Cruciaal is dat deze lading bepaalt hoe een skyrmion-tas beweegt wanneer deze door een elektrische stroom wordt aangeduwd. In tegenstelling tot gewone magnetische domeinen zijn deze texturen robuust en kunnen ze dicht opeengepakt worden, wat ze aantrekkelijk maakt voor geheugen- en logica-toepassingen waar veel databitjes naast elkaar op kleine baansporen moeten bestaan.

Magnetische wervels op een rechte koers houden

Een belangrijk obstakel voor het gebruik van skyrmions in apparaten is het skyrmion-Hall-effect: wanneer ze door een stroom worden aangedreven, hebben ze de neiging zijwaarts te dwalen in plaats van recht vooruit te bewegen, waardoor ze de randen van het apparaat kunnen raken en verloren gaan. De auteurs ontwerpen een speciale klasse van "gebalanceerde" geneste skyrmion-tassen waarvan de totale topologische lading nul is. In deze structuren heffen positieve en negatieve bijdragen elkaar op zodat de zijwaartse krachten in balans zijn. Gedetailleerde micromagnetische simulaties, ondersteund door analytische berekeningen, tonen dat deze nul-ladingtassen in een rechte lijn in de stroomrichting reizen, wat het gebruik in racetrack-achtige geheugens waar rechte beweging essentieel is sterk vereenvoudigt.

De wervels vormen en beperken

Naarmate meer en meer kleine skyrmions in een tas worden genest, kunnen interne krachten de structuur zijwaarts uitrekken, ook al blijft de algehele zijwaartse verplaatsing verwaarloosbaar. Het team brengt in kaart wanneer zulke complexe tassen stabiel zijn door één dimensieloze parameter te regelen die de concurrentie tussen verschillende magnetische energieën samenvat. Ze onderzoeken ook het toevoegen van extra concentrische domeinwanden rond een grote geneste tas om als een begrenzende kooi te fungeren. Een paar extra wanden kunnen zijwaartse uitrekking succesvol onderdrukken, maar te veel lagen drukken de binnenste skyrmions zo samen dat sommige ervan annihileren en de structuur transformeren naar andere multi-turn patronen met een zeer verschillend bewegingsgedrag.

Machines laten leren hoe de wervels bewegen

Precies voorspellen hoe een geneste skyrmion-tas zal reizen voor elke mogelijke combinatie van structuur- en materiaaleigenschappen is rekenkundig duur als dat alleen met volledige simulaties wordt gedaan. Om dit te omzeilen genereren de auteurs een grote dataset van gesimuleerde trajecten en trainen ze twaalf verschillende machine learning-modellen om de bewegingshoek te voorspellen op basis van slechts vijf invoeren: het aantal buitenste en binnenste skyrmions, de magnetische demping, de interactiesterkte en de stroom. Moderne gradient-boosted decision trees en een neuraal netwerk leren deze ingewikkelde relatie zeer goed en behalen hoge nauwkeurigheid over een breed bereik aan bewegingshoeken, terwijl eenvoudige lineaire regressie faalt, wat aangeeft dat het gedrag sterk niet-lineair is.

Signaleren sturen in nanocircuits

Gewapend met snelle machine learning-voorspellingen ontwerpen de onderzoekers een demultiplexer-apparaat dat één binnenkomende skyrmion-tas neemt en deze, afhankelijk van zijn structuur, naar één van meerdere uitgangskanalen stuurt. Door verschillende combinaties van binnenste en buitenste wervels te kiezen, kan de bewegingshoek over meer dan zestig graden worden afgestemd, zodat tassen met verschillende interne indelingen onder dezelfde stroom vanzelf naar verschillende uitgangen afbuigen. In dit beeld vertegenwoordigt de aanwezigheid of afwezigheid van een tas bij een gegeven uitgang digitale enen en nullen. Dit werk toont aan dat door de topologie en begrenzing van skyrmion-tassen te ontwerpen en fysica-gedreven modellen met machine learning te combineren, het mogelijk is spintronische componenten te bouwen — zoals racetrack-geheugens en signaalrouters — die de zijwaartse beweging van magnetische wervels benutten in plaats van ertegen te vechten.

Bronvermelding: 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

Trefwoorden: skyrmion-tassen, spintronica, magnetisch geheugen, machine learning, Hall-hoek