Les dispositifs spintroniques et leur fonctionnement sont régis par les microstructures des domaines magnétiques. Ces structures de domaine magnétique subissent des changements complexes et drastiques lorsqu’un champ magnétique externe est appliqué au système. Les structures fines qui en résultent ne sont pas reproductibles et il est difficile de quantifier la complexité des structures de domaine magnétique.
Notre compréhension du phénomène d’inversion de l’aimantation est donc limitée à des inspections visuelles grossières et à des méthodes qualitatives, ce qui représente un grave goulot d’étranglement dans la conception des matériaux. Il a même été difficile de prédire la stabilité et la forme des structures du domaine magnétique dans le Permalloy, qui est un matériau bien connu étudié pendant un siècle.
Pour résoudre ce problème, une équipe de chercheurs dirigée par le professeur Masato Kotsugi de l’Université des sciences de Tokyo, au Japon, a récemment développé une méthode basée sur l’IA pour analyser les fonctions des matériaux de manière plus quantitative.
Dans leur ouvrage publié dans Science et technologie des matériaux avancés : méthodes, l’équipe a utilisé l’analyse des données topologiques et développé une méthode d’analyse super-hiérarchique et explicative pour les processus d’inversion magnétique. En termes simples, super-hiérarchique signifie, selon l’équipe de recherche, le lien entre les propriétés micro et macro, qui sont généralement traitées comme isolées mais, dans le grand schéma, contribuent conjointement à l’explication physique.
L’équipe a quantifié la complexité des structures du domaine magnétique à l’aide de l’homologie persistante, un outil mathématique utilisé en topologie computationnelle qui mesure les caractéristiques topologiques des données persistant sur plusieurs échelles. L’équipe a en outre visualisé le processus d’inversion de l’aimantation dans un espace bidimensionnel à l’aide de l’analyse en composantes principales, une procédure d’analyse de données qui résume de grands ensembles de données par de plus petits « indices récapitulatifs », facilitant une meilleure visualisation et analyse.
Comme l’explique le professeur Kotsugi, « l’analyse des données topologiques peut être utilisée pour expliquer le processus complexe d’inversion de l’aimantation et évaluer quantitativement la stabilité de la structure du domaine magnétique. »
L’équipe a découvert que de légers changements dans la structure invisibles à l’œil humain qui indiquaient une caractéristique cachée dominant les processus d’inversion métastable/stable peuvent être détectés par cette analyse. Ils ont également réussi à déterminer la cause de la ramification du processus d’inversion macroscopique dans la structure originale du domaine magnétique microscopique.
La nouveauté de cette recherche réside dans sa capacité à connecter librement les microstructures du domaine magnétique et les fonctions magnétiques macroscopiques à travers les hiérarchies en appliquant les dernières avancées mathématiques en topologie et en apprentissage automatique. Cela permet la détection de changements microscopiques subtils et la prédiction ultérieure d’états stables/métastables à l’avance, ce qui était jusqu’à présent impossible.
« Cette analyse super-hiérarchique et explicative améliorerait la fiabilité des dispositifs de spintronique et notre compréhension des phénomènes d’inversion d’aimantation stochastique/déterministe », déclare le professeur Kotsugi.
Fait intéressant, le nouvel algorithme, avec sa capacité explicative supérieure, peut également être appliqué pour étudier un phénomène chaotique comme l’effet papillon. Sur le plan technologique, cela pourrait potentiellement améliorer la fiabilité de l’écriture de la mémoire magnétique de prochaine génération, aider au développement de nouveau matériel pour la prochaine génération d’appareils.
Plus d’information:
Sotaro Kunii et al, Analyse super-hiérarchique et explicative du processus d’inversion de l’aimantation à l’aide de l’analyse des données topologiques, Science et technologie des matériaux avancés : méthodes (2022). DOI : 10.1080/27660400.2022.2149037