基于机器学习的天魔纹理分类与哈密顿量参数提取
介观与纳米尺度物理
2023-09-28 v1 数据分析、统计与概率
摘要
分类天魔（skyrmionic）纹理与提取磁性哈密顿量参数是二维（2D）自旋电子学领域中基础且艰巨的工作。利用微磁模拟与机器学习（ML）方法，我们在理论上实现了对二维海森堡模型中九种天魔纹理的识别，以及从海量自旋纹理图像中挖掘磁性哈密顿量参数。对于纹理分类，提出了一种基于迁移学习训练的深度神经网络（DNN）来区分九种不同的天魔纹理。对于参数提取，基于由不同海森堡交换刚度（J）、Dzyaloshinskii-Moriya 强度（D）和各向异性常数（K）生成的纹理，我们应用多输入单输出（MISO）深度学习模型（处理图像与参数）与支持向量回归（SVR）模型（处理傅里叶特征）来提取嵌入于自旋纹理中的参数。分类与提取模型均取得优异结果，准确率分别为 98%（DNN）、90%（MISO）和 80%（SVR）。重要的是，通过我们的 ML 方法，可有效区分相界模糊的天魔纹理，且得出的各种天魔纹理（尤其是天魔晶格）形成条件与以往报道一致。此外，我们的模型展示了自旋纹理图像与磁性参数间的映射关系，证明了从实验图像提取微观机制的可行性，并对自旋电子学实验具有指导意义。
引用
@article{arxiv.2309.15679,
title = {Classification of skyrmionic textures and extraction of Hamiltonian parameters via machine learning},
author = {Dushuo Feng and Zhihao Guan and Xiaoping Wu and Yan Wu and Changsheng Song},
journal= {arXiv preprint arXiv:2309.15679},
year = {2023}
}