Aufdecken der Komplexität des Magnetisierungsumkehrmechanismus mit topologischer Datenanalyse

Spintronische Geräte und ihr Betrieb werden durch die Mikrostrukturen magnetischer Domänen bestimmt. Diese magnetischen Domänenstrukturen erfahren komplexe, drastische Änderungen, wenn ein externes Magnetfeld an das System angelegt wird. Die resultierenden feinen Strukturen sind nicht reproduzierbar, und es ist schwierig, die Komplexität magnetischer Domänenstrukturen zu quantifizieren.

Unser Verständnis des Phänomens der Magnetisierungsumkehr ist daher auf grobe visuelle Inspektionen und qualitative Methoden beschränkt, was einen schwerwiegenden Engpass beim Materialdesign darstellt. Es war schwierig, auch nur die Stabilität und Form der magnetischen Domänenstrukturen in Permalloy vorherzusagen, einem bekannten Material, das über ein Jahrhundert lang untersucht wurde.

Um dieses Problem anzugehen, hat ein Forscherteam unter der Leitung von Professor Masato Kotsugi von der Tokyo University of Science, Japan, kürzlich eine KI-basierte Methode zur quantitativeren Analyse von Materialfunktionen entwickelt.

In ihrer Arbeit veröffentlicht in Wissenschaft und Technologie fortschrittlicher Materialien: Methodennutzte das Team eine topologische Datenanalyse und entwickelte eine superhierarchische und erklärende Analysemethode für magnetische Umkehrprozesse. Vereinfacht gesagt bedeutet superhierarchisch, so das Forscherteam, die Verbindung zwischen Mikro- und Makroeigenschaften, die meist isoliert behandelt werden, aber im Großen und Ganzen gemeinsam zur physikalischen Erklärung beitragen.

Das Team quantifizierte die Komplexität der magnetischen Domänenstrukturen mithilfe von persistenter Homologie, einem mathematischen Werkzeug, das in der Computertopologie verwendet wird und topologische Merkmale von Daten misst, die über mehrere Skalen hinweg bestehen bleiben. Das Team visualisierte außerdem den Magnetisierungsumkehrprozess im zweidimensionalen Raum mithilfe der Hauptkomponentenanalyse, einem Datenanalyseverfahren, das große Datensätze durch kleinere „Zusammenfassungsindizes“ zusammenfasst, was eine bessere Visualisierung und Analyse ermöglicht.

Wie Prof. Kotsugi erklärt, „kann die topologische Datenanalyse dazu verwendet werden, den komplexen Magnetisierungsumkehrprozess zu erklären und die Stabilität der magnetischen Domänenstruktur quantitativ zu bewerten.“

Das Team entdeckte, dass leichte Veränderungen in der Struktur, die für das menschliche Auge unsichtbar sind und auf ein verborgenes Merkmal hindeuten, das die metastabilen/stabilen Umkehrprozesse dominiert, durch diese Analyse erkannt werden können. Sie bestimmten auch erfolgreich die Ursache für die Verzweigung des makroskopischen Umkehrprozesses in der ursprünglichen mikroskopischen magnetischen Domänenstruktur.

Die Neuheit dieser Forschung liegt in ihrer Fähigkeit, magnetische Domänenmikrostrukturen und makroskopische magnetische Funktionen frei über Hierarchien hinweg zu verbinden, indem die neuesten mathematischen Fortschritte in der Topologie und im maschinellen Lernen angewendet werden. Dies ermöglicht die Erkennung subtiler mikroskopischer Veränderungen und die anschließende Vorhersage stabiler/metastabiler Zustände im Voraus, was bisher unmöglich war.

„Diese superhierarchische und erklärende Analyse würde die Zuverlässigkeit von Spintronik-Geräten und unser Verständnis von stochastischen/deterministischen Magnetisierungsumkehrphänomenen verbessern“, sagt Prof. Kotsugi.

Interessanterweise kann der neue Algorithmus mit seiner überlegenen Erklärungsfähigkeit auch angewendet werden, um chaotische Phänomene wie den Schmetterlingseffekt zu untersuchen. An der technologischen Front könnte es möglicherweise die Zuverlässigkeit des Schreibens von Magnetspeichern der nächsten Generation verbessern und die Entwicklung neuer Hardware für die nächste Generation von Geräten unterstützen.