Uczenie maszynowe wspomagające przewidywanie dynamiki w napędzanych prądem zagnieżdżonych torebkach skyrmionów

Magnetyczne wirowania jako drobne nośniki danych

Współczesna elektronika coraz częściej wykorzystuje manipulację spinem elektronów zamiast ich ładunku. W pracy tej badano egzotyczne wzory podobne do wirów w magnetykach, nazywane torebkami skyrmionów, jako potencjalne nośniki informacji dla przyszłych urządzeń o niskim zużyciu energii i dużej gęstości zapisu. Łącząc zaawansowane symulacje komputerowe z uczeniem maszynowym, autorzy pokazują, jak te niewielkie struktury można precyzyjnie sterować prądami elektrycznymi i używać do kierowania sygnałów w układach na skali nanometrowej.

Czym są torebki skyrmionów i dlaczego mają znaczenie

Torebki skyrmionów to skupiska wirowej magnetyzacji: większy wir otacza kilka mniejszych, trochę jak kulki wewnątrz bańki mydlanej. Każdy wir wprowadza wkład do wielkości zwanej ładunkiem topologicznym, która opisuje sposób, w jaki spiny owijały się w przestrzeni. Kluczowe jest to, że ten ładunek kontroluje ruch torebki skyrmionów pod wpływem działającego prądu elektrycznego. W przeciwieństwie do zwykłych domen magnetycznych, te tekstury są odporne i można je gęsto upakować, co czyni je atrakcyjnymi do zastosowań w pamięci i logice, gdzie wiele bitów musi współistnieć na niewielkich torach.

Utrzymanie magnetycznych wirowań na prostym torze

Jedną z głównych przeszkód w wykorzystaniu skyrmionów w urządzeniach jest efekt Halla skyrmionów: gdy są wprawiane w ruch przez prąd, mają tendencję do przemieszczania się na boki zamiast poruszać się prosto, co grozi zderzeniem z krawędziami urządzenia i utratą. Autorzy zaprojektowali specjalną klasę „zrównoważonych” zagnieżdżonych torebek skyrmionów, których całkowity ładunek topologiczny wynosi zero. W tych strukturach dodatnie i ujemne wkłady się znoszą, tak że siły boczne równoważą się. Szczegółowe symulacje mikromagnetyczne, wspierane obliczeniami analitycznymi, pokazują, że torebki o zerowym ładunku poruszają się prosto wzdłuż kierunku prądu, co znacznie upraszcza ich użycie w pamięciach typu racetrack, gdzie prosty ruch jest kluczowy.

Formowanie i ograniczanie wirowań

W miarę zagnieżdżania coraz większej liczby małych skyrmionów wewnątrz torebki, siły wewnętrzne mogą rozciągać strukturę w bok, nawet jeśli jej ogólne boczne przesunięcie pozostaje znikome. Zespół wyznacza zakresy stabilności takich złożonych torebek, strojąc pojedynczy bezwymiarowy parametr, który podsumowuje konkurencję między różnymi energiami magnetycznymi. Badano także dodawanie dodatkowych koncentrycznych ścian domenowych wokół dużej zagnieżdżonej torebki, by działały jak klatka ograniczająca. Kilka dodatkowych ścian może skutecznie tłumić boczne rozciąganie, ale zbyt wiele warstw ściska wewnętrzne skyrmiony tak mocno, że niektóre z nich ulegają anihilacji, przekształcając strukturę w inne wzory wieloobrotowe o zupełnie innej dynamice.

Pozwólmy maszynom nauczyć się, jak poruszają się wirowania

Dokładne przewidzenie, jak zagnieżdżona torebka skyrmionów będzie się przemieszczać dla każdej możliwej kombinacji struktury i parametrów materiałowych, jest obliczeniowo kosztowne, jeśli polegać wyłącznie na pełnych symulacjach. Aby temu zaradzić, autorzy wygenerowali duży zbiór danych z zasymulowanymi trajektoriami i wytrenowali dwanaście różnych modeli uczenia maszynowego do prognozowania kąta ruchu na podstawie zaledwie pięciu wejść: liczby skyrmionów zewnętrznych i wewnętrznych, tłumienia magnetycznego, siły oddziaływania i natężenia prądu. Nowoczesne metody gradientowo-wzmacnianych drzew decyzyjnych oraz sieć neuronowa bardzo dobrze uchwyciły tę złożoną relację, osiągając wysoką dokładność w szerokim zakresie kątów ruchu, podczas gdy prosta regresja liniowa zawiodła, co świadczy o silnie nieliniowym charakterze zachowania.

Sterowanie sygnałami w układach na skali nanometrowej

Wyposażeni w szybkie prognozy uczenia maszynowego, badacze zaprojektowali urządzenie demultipleksera, które bierze jedną nadchodzącą torebkę skyrmionów i kieruje ją do jednego z kilku kanałów wyjściowych w zależności od jej struktury. Poprzez wybór różnych kombinacji wewnętrznych i zewnętrznych wirów, kąt ruchu można dostroić o ponad sześćdziesiąt stopni, więc torebki o różnych układach wewnętrznych naturalnie odrywają się w stronę różnych wyjść przy tym samym prądzie. W tym obrazie obecność lub brak torebki na danym wyjściu reprezentuje cyfrowe jedynki i zera. Praca ta pokazuje, że poprzez inżynierię topologii i ograniczeń torebek skyrmionów oraz łączenie modeli opartych na fizyce z uczeniem maszynowym, możliwe jest budowanie elementów spintronicznych, takich jak pamięci typu racetrack i rozdzielacze sygnału, które wykorzystują, zamiast zwalczać, boczny ruch magnetycznych wirowań.

Cytowanie: 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

Słowa kluczowe: torebki skyrmionów, spintronika, pamięć magnetyczna, uczenie maszynowe, kąt Holla