NeuralMAG：基于深度神经网络的快速且可泛化的微磁动力学仿真
机器学习
2024-10-22 v1 介观与纳米尺度物理
人工智能
摘要
微磁动力学取得了重要进展，尤其是由于其在磁性存储设计中的广泛应用。数值仿真是微磁动力学研究的基石，依赖于基于著名 LLG 方程（由 Landau、Lifshitz 和 Gilbert 命名）的 first-principle 规则来计算微磁系统动态演化。然而，仿真常常因速度慢而受限。虽然 Fast-Fourier 变换 (FFT) 计算将计算复杂度降低到 O(N log N)，但对于大规模仿真仍不实用。本文提出了 NeuralMAG，一种基于深度学习的微磁动力学仿真方法。我们的做法遵循 LLG 的迭代框架，但通过采用 U 形神经网络 (Unet) 来加速去磁场的计算。Unet 架构包含提取various scales 上聚合自旋的编码器，并在每个尺度上学习局部相互作用，随后由解码器在不同尺度上累积局部相互作用以逼近全局卷积。这种divide-and-accumulate 方案实现了 O(N) 的时间复杂度，显著提升了大规模仿真的速度和可行性。与现有神经方法不同，NeuralMAG 专注于核心计算，而非针对特定任务的端到端近似，因而具有内在的可泛化性。为验证新方法，我们训练了一个单一模型并在两种具有various sample sizes、shapes 和 material settings 的微磁动力学任务上进行评估。
引用
@article{arxiv.2410.14986,
title = {NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets},
author = {Yunqi Cai and Jiangnan Li and Dong Wang},
journal= {arXiv preprint arXiv:2410.14986},
year = {2024}
}