机器学习辅助的电流驱动嵌套斯格明子包动力学预测

作为微小数据载体的磁性涡旋

现代电子学越来越依赖操控电子自旋而不仅仅是电荷。本研究考察了磁体中类似涡旋的奇异结构——斯格明子包，作为潜在的信息载体，用于未来低能耗、高密度的器件。通过结合先进的计算机模拟与机器学习，作者展示了这些微小结构如何被电流精确操控，并可用于在纳米尺度电路中引导信号。

什么是斯格明子包以及它们的重要性

斯格明子包是簇状的旋转磁化结构：一个较大的漩涡包围着若干较小的漩涡，有点像肥皂泡里的弹珠。每个漩涡贡献一种称为拓扑电荷的量，描述自旋在空间中的缠绕方式。关键在于，这一电荷决定了当电流推动时斯格明子包如何运动。与普通磁畴不同，这些纹理具有鲁棒性且可以高密度封装，因此在需要在窄轨道上让大量比特共存的存储与逻辑应用中具有吸引力。

让磁性涡旋保持直线运动

在器件中使用斯格明子面临的一个主要障碍是斯格明子霍尔效应：在电流驱动下，它们往往侧向漂移而不是直线前进，这会导致撞到器件边缘并丢失。作者设计了一类特殊的“平衡”嵌套斯格明子包，其总拓扑电荷为零。在这些结构中，正负贡献相互抵消，使侧向力平衡。详尽的微磁学模拟与解析计算表明，这些零电荷包沿电流方向直线行进，极大地简化了它们在类赛道存储器中对直线运动的需求。

塑形与约束涡旋

随着更多小斯格明子嵌入包内，内部相互作用可能会将结构侧向拉伸，即使其整体侧向漂移仍可忽略。团队通过调节一个无量纲参数来描绘这类复杂包何时稳定，该参数概括了不同磁能之间的竞争。他们还探讨了在大嵌套包周围添加额外同心畴壁作为约束笼的做法。少量额外的畴壁可以成功抑制侧向拉伸，但过多层会把内层斯格明子压得过紧，导致部分湮灭，使结构转变为具有截然不同运动的其他多圈模式。

让机器学习会“读懂”涡旋的运动

要用完整模拟精确预测每一种结构与材料参数组合下嵌套斯格明子包的运动，计算代价很高。为此，作者生成了大量模拟轨迹数据集，并训练了十二种不同的机器学习模型，从仅五个输入预测运动角度：外层与内层斯格明子数量、磁阻尼、相互作用强度与电流。现代的梯度提升决策树和神经网络很好地学会了这一复杂关系，在广泛的运动角度范围内取得高精度，而简单的线性回归失败，表明行为具有强烈的非线性特征。

在纳米尺度电路中引导信号

借助快速的机器学习预测，研究者们设计了一个解多路复用器装置，它接收一个入射的斯格明子包并根据其结构将其发送到若干输出通道之一。通过选择不同的内外漩涡组合，运动角度可以调节超过六十度，因此具有不同内部布局的包在相同电流下自然会朝不同出口偏离。在这种设想中，某一输出处是否有包代表数字1或0。该工作表明，通过工程化斯格明子包的拓扑与约束，并将基于物理的模型与机器学习结合，能够构建利用而非抵消磁性涡旋侧向运动的自旋电子组件，例如赛道存储器与信号路由器。

引用: 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

关键词: 斯格明子包, 自旋电子学, 磁性存储, 机器学习, 霍尔角