基于磁力显微镜图像的人工自旋铁磁 frustrations 深度生成学习
无序系统与神经网络
2025-07-24 v1 材料科学
机器学习
摘要
日益增大的原子分辨率微观图像数据集促进了机器学习方法的发展，以识别和分析嵌入图像中的微妙物理现象。在本工作中，蜂窝晶格自旋铁样本的微观图像作为数据集，用于自动计算自旋铁配置的净磁矩和方向 orientations。首先，机器学习模型在自旋铁结构中准确预测磁矩和方向。变分自编码器 (VAEs)，作为一种新兴的无监督深度学习技术，被用于生成高质量的合成磁力显微镜 (MFM) 图像并提取潜在特征表示，从而减少实验和分割误差。方法的第二个阶段实现对 frustrated 顶点和纳米磁段的精确识别和预测，有效地关联微观图像的结构和功能方面。这促进了设计具有受控 frustrations 模式的优化自旋铁配置，从而实现按需合成的潜在可能。
引用
@article{arxiv.2507.17726,
title = {Deep Generative Learning of Magnetic Frustration in Artificial Spin Ice from Magnetic Force Microscopy Images},
author = {Arnab Neogi and Suryakant Mishra and Prasad P Iyer and Tzu-Ming Lu and Ezra Bussmann and Sergei Tretiak and Andrew Crandall Jones and Jian-Xin Zhu},
journal= {arXiv preprint arXiv:2507.17726},
year = {2025}
}