近日，国际著名物理期刊《Physical Review Applied》上刊发了题为“Classification of skyrmionic textures and extraction of Hamiltonian parameters via machine learning”的学术论文。
理学院物理学系计算物理团队硕士生（电子信息专业）冯读硕为论文第一作者，宋昌盛副教授为通讯作者，浙江理工大学为论文署名单位。该工作得到了国家自然科学基金、浙江省自然科学基金和浙江理工大学基础研究等项目支持。
工作简介：
在外场激励下的磁体会由于螺旋度、涡旋度、磁矩的方向与分布不同，将产生不同的自旋态，如磁泡、斯格明子晶格、磁畴壁、双半子、斯格明子混合态和磁畴壁等纹理。我们基于第一性原理计算，运用Landau-Lifshitz Gibert（LLG）方程进行微磁模拟，从6000张拓扑自旋纹理图样中，通过深度神经网络（DNN）算法，多输入单输出（MISO）深度学习模型与支持向量回归（SVR）模型分别实现了9种不同的斯格明子相关拓扑态的识别分类和哈密顿磁参数的有效提取。此工作中，我们利用深度学习算法，建立了自旋构型和有效哈密顿量之间的关联模型，构建了磁场、温度和自旋结构映射关系，可为实验图像数据挖掘重要信息和分析微观机理提供一定的理论支撑。
基于深度神经网络的自旋纹理识别和参数提取
论文信息：
Dushuo Feng, Zhihao Guan, Xiaoping Wu, Yan Wu, and Changsheng Song*.Phys. Rev. Applied., 21(3), 034009 (2024).
https://doi.org/10.1103/PhysRevApplied.21.034009
DOI: 10.1103/PhysRevApplied.21.034009
