NeuralMAG：基于深度学习的高效微磁学模拟方法研究
编号：417
稿件编号：461 访问权限：仅限参会人
更新：2025-04-21 21:48:40 浏览：15次
特邀报告
报告开始：2025年05月11日 14:30 （Asia/Shanghai）
报告时间：20min
所在会议：[N] 数据驱动表面工程论坛 » [N2] 下午场
暂无文件
摘要
微磁学模拟是磁存储设计和自旋电子学研究的重要手段，它基于朗道-利夫希茨-吉尔伯特（LLG）方程计算磁性系统的动力学演化。然而，由于全局卷积对退磁场计算的限制，模拟速度一直是微磁学方法的瓶颈。本报告提出了一种名为NeuralMAG的深度学习新框架，通过在传统的微磁学模拟框架中引入U型神经网络(Unet)来加速微磁学模拟。理论分析表明，通过提取不同尺度的特征并学习局部相互作用，并将它们累积起来以近似全局退磁场能够大幅降低计算复杂度，实现高效的大规模模拟。与专注于端到端任务特定近似的现有方法不同，NeuralMAG框架针对核心计算，具有很好的泛化性，可作为微磁学模拟的通用工具。
关键字
机器学习,深度神经网络,磁性薄膜,微磁学模拟
报告人
发表评论