用神经常微分方程预测自旋电子学实验结果
机器学习
2022-03-09 v1 介观与纳米尺度物理
材料科学
数值分析
数值分析
数据分析、统计与概率
摘要
深度学习对科研辅助的影响日益增强，例如可助力新材料发现。然而迄今为止，这些人工智能技术仍未能发掘实验物理系统的完整微分方程。本文展示，与通常用于建模自旋电子器件的微磁仿真相比，经极少数据训练的动态神经网络能以高准确度与极高仿真效率预测自旋电子器件的行为。为此，我们将神经常微分方程（ODEs）的形式重构以适配自旋电子学的约束：少量测量输出、多输入与内部参数。我们以 Spin-Neural ODEs 证明，对一个复杂问题——由磁性 skyrmion 构成的储备池计算机的仿真——相较微磁仿真实现了超过 200 倍的加速（20 分钟对比三天）。在第二个实例中，我们表明在以五毫秒的被测响应对不同激励的训练后，Spin-Neural ODEs 可预测实验性自旋电子纳米振荡器对变化输入的含噪响应。Spin-Neural ODE 是开发自旋电子学应用、补充微磁仿真的颠覆性工具，后者耗时且存在噪声或不完美时无法拟合实验。Spin-Neural ODE 亦可推广至其他涉及动力学的电子器件。
引用
@article{arxiv.2108.02318,
title = {Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations},
author = {Xing Chen and Flavio Abreu Araujo and Mathieu Riou and Jacob Torrejon and Dafiné Ravelosona and Wang Kang and Weisheng Zhao and Julie Grollier and Damien Querlioz},
journal= {arXiv preprint arXiv:2108.02318},
year = {2022}
}
备注
16 pages, 4 figures