日前，888集团官网登录材料科学与工程学院李江南老师与清华大学开展合作研究，探索深度学习神经网络对传统微磁学计算的加速和拓展，相关研究成果近期以封面文章形式刊登于人工智能领域顶级国际期刊Nature Machine Intelligence上，文章题目Fast and generalizable micromagnetic simulation with deep neural nets。888集团官网登录为论文的第一单位和第一通讯单位。

微磁学模拟基于Landau-Lifshitz-Gilbert方程对于磁性材料的磁化状态演化做计算，在磁存储、永磁体等领域有广泛应用。计算过程涉及全局的静磁相互作用，具有O(N^2)的计算复杂度，造成模拟计算的时间困难。传统有限差分（FDM）框架下，静磁相互作用采用快速傅里叶变换（FFT）算法加速，计算复杂度降低至O(NlogN)，但对于大尺度模拟计算来说仍不实用。

此研究中，研究团队报道了一种NeuralMAG深度学习微磁模拟方案，该方案遵循Landau-Lifshitz-Gilbert迭代框架，但针对静磁相互作用，特别地引入U型神经网络（Unet）以加速计算。该方案下模拟计算的复杂度降低至O(N)，对于大尺度模型下静磁场的计算加速可高达6倍。此外，同等模型下，NeuralMAG对于GPU储存的占用率也优于传统FDM微磁学方法，使得开展大尺度模型的模拟研究成为可能。

NeuralMAG具有内禀的可泛化特性，可适用于跨尺度、跨形状、跨材料的多种微磁学模拟任务。为验证这一点，研究团队开展了随机初始磁化磁性薄膜的收敛过程模拟，结果显示，NeuralMAG对于完全随机初始化的模拟存在明显误差，但通过引入预冷却过程，NeuralMAG可以很好地复现收敛过程中磁性涡旋的数量和性质变化。在三组对照实验中（固定外形材料、随机外形、随机材料），对于训练可见的模型尺寸，NeuralMAG对稳态涡旋的预测成功率均大于92%（预冷却参数=5），对于训练中未知的更大模型尺寸，NeuralMAG的预测成功率依然在85%以上，由此验证了NeuralMAG所具有的可泛化特性。

888集团官网登录材料科学与工程学院教师、云南省先进粉体材料创新团队成员李江南为论文的第一通讯作者；中国科学院物理所研究员蔡云麒（原昆工信自学院教师）为论文的第一作者；清华大学北京国家信息研究中心王东教授为论文的共同通讯作者。该项研究工作获得了国家自然科学基金委、云南省科技厅等机构的基金项目支持。

论文链接：https://doi.org/10.1038/s42256-024-00914-7

（供稿：材料学院）