Maskininlärningsstödd prediktion av dynamik hos strömdrivna inretta skyrmionväskor

Magnetiska virvlar som små datapaket

Modern elektronik förlitar sig i allt högre grad på att manipulera elektronernas spinn snarare än enbart deras laddning. Denna studie utforskar exotiska virvelliknande mönster i magneter, kallade skyrmionväskor, som potentiella informationsbärare för framtida energieffektiva och högdensitetsenheter. Genom att kombinera avancerade datorbaserade simuleringar med maskininlärning visar författarna hur dessa små strukturer kan styras precist med elektriska strömmar och användas för att dirigera signaler i nanoskaliga kretsar.

Vad skyrmionväskor är och varför de är viktiga

Skyrmionväskor är kluster av virvlande magnetisering: en större virvel omsluter flera mindre, ungefär som kulor inuti en tvålkula. Varje virvel bidrar till en storhet som kallas topologisk laddning, vilken fångar hur spinnen slår in i rummet. Avgörande är att denna laddning styr hur en skyrmionväska rör sig när den drivs av en elektrisk ström. Till skillnad från vanliga magnetiska domäner är dessa texturer robusta och kan packas tätt, vilket gör dem attraktiva för minnes- och logikanvändningar där många dataposter måste samexistera på små spår.

Hålla magnetiska virvlar på rak kurs

Ett stort hinder för att använda skyrmioner i enheter är skyrmion-Hall-effekten: när de drivs av en ström tenderar de att driva åt sidan istället för att röra sig rakt fram, vilket riskerar att de träffar kantarna och förloras. Författarna designar en särskild klass av "balanserade" inretta skyrmionväskor vars totala topologiska laddning är noll. I dessa strukturer tar positiva och negativa bidrag ut varandra så att sidokrafterna balanseras. Detaljerade mikromagnetiska simuleringar, stödda av analytiska beräkningar, visar att dessa noll-laddade väskor färdas i en rak linje längs strömriktningen, vilket kraftigt förenklar användningen i racetrack-liknande minnen där rak rörelse är avgörande.

Formning och inneslutning av virvlarna

När fler och fler små skyrmioner innesluts i en väska kan interna krafter dra ut strukturen i sidled även om dess totala sidoförskjutning förblir försumbar. Teamet kartlägger när sådana komplexa väskor är stabila genom att ställa in en enda dimensionslös parameter som sammanfattar konkurrensen mellan olika magnetiska energier. De undersöker också att lägga till extra koncentriska domänväggar runt en stor inretta väska för att fungera som ett inneslutande galler. Några ytterligare väggar kan framgångsrikt dämpa sidoutsträckning, men för många lager kramar ihop de inre skyrmionerna så hårt att några av dem annihileras och omvandlar strukturen till andra fleromvända mönster med mycket annorlunda rörelse.

Låta maskiner lära sig hur virvlarna rör sig

Att förutsäga exakt hur en inretta skyrmionväska kommer att färdas för varje möjlig kombination av struktur och materialinställningar är beräkningsmässigt dyrt om det görs med fullständiga simuleringar ensam. För att övervinna detta genererar författarna en stor dataset av simulerade banor och tränar tolv olika maskininlärningsmodeller för att förutsäga rörelsevinkeln från bara fem indata: antalet yttre och inre skyrmioner, magnetisk dämpning, interaktionsstyrka och ström. Moderna gradientförstärkta beslutsträd och ett neuralt nätverk lär sig detta komplicerade samband mycket väl och når hög noggrannhet över ett brett spektrum av rörelsevinklar, medan enkel linjär regression misslyckas, vilket visar att beteendet är starkt icke-linjärt.

Styra signaler i nanoskaliga kretsar

Försedda med snabba maskininlärningsprediktioner utformar forskarna en demultiplexer-enhet som tar emot en inkommande skyrmionväska och skickar den till en av flera utgångskanaler beroende på dess struktur. Genom att välja olika kombinationer av inre och yttre virvlar kan rörelsevinkeln ställas in över mer än sextio grader, så väskor med olika inre layouter naturligt skiljs av mot olika utgångar under samma ström. I denna bild representerar närvaron eller frånvaron av en väska vid en given utgång digitala ettor och nollor. Detta arbete visar att genom att konstruera topologin och inneslutningen av skyrmionväskor och kombinera fysikbaserade modeller med maskininlärning är det möjligt att bygga spinntroniska komponenter som racetrack-minnen och signalruttrar som utnyttjar, snarare än bekämpar, magnetiska virvlars sidrörelse.

Citering: 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

Nyckelord: skyrmionväskor, spinntronik, magnetiskt minne, maskininlärning, Hall-vinkel