Un equipo multidisciplinario de investigadores ha introducido un innovador enfoque para la simulación micromagnética, denominado NeuralMAG, que emplea redes neuronales profundas para mejorar significativamente la velocidad y la eficiencia de las simulaciones. Este método sigue el marco iterativo LLG (Landau-Lifshitz-Gilbert), pero utiliza una arquitectura de red de tipo Unet para abordar el cálculo del campo desmagnetizador, un componente clave que tradicionalmente ha ralentizado este tipo de simulaciones.
Micromagnetics, una herramienta fundamental en el diseño de almacenamiento magnético y en la investigación de spintrónica, históricamente ha enfrentado obstáculos debido a su lenta velocidad de simulación. Esto se debe al proceso de la convolución global necesario para calcular el campo desmagnetizante, que implica interacciones a gran escala entre los elementos de muestra. A pesar de que las transformaciones de Fourier rápidas (FFT) han reducido la complejidad computacional, siguen siendo ineficaces para simulaciones a gran escala.
NeuralMAG, sin embargo, revoluciona este panorama al adoptar un metodológico enfoque de “dividir y acumular” utilizando Unet. La sección de codificación del Unet extrae interacciones locales a múltiples niveles de granularidad, mientras que la sección de decodificación integra estas interacciones locales para aproximar la convolución global con un coste computacional de O(N), superando significativamente el método FFT previa en eficiencia.
El equipo probó la capacidad del enfoque NeuralMAG, entrenando un modelo único y evaluándolo en tareas de evolución dinámica LLG y estimación de curvas MH. Los resultados muestran que el modelo mantiene una precisión razonable y es notablemente más rápido, logrando una aceleración seis veces superior en modelos de gran tamaño, lo que mejora su aplicabilidad a distintos tamaños y configuraciones de muestra.
NeuralMAG se erige como un nuevo paradigma en la simulación micromagnética, al ofrecer un equilibrio entre precisión y eficiencia que posibilita simulaciones de gran tamaño que, anteriormente, eran difíciles de llevar a cabo. Este avance abre nuevas oportunidades para la investigación y el desarrollo en el diseño de dispositivos magnéticos, con potenciales aplicaciones que se extienden desde sensores de lectura hasta componentes de almacenamiento.
Con estos notables logros, NeuralMAG destaca no sólo por su eficiencia computacional sino también por su capacidad de generalizar en tareas variadas con muestras de diferentes tamaños, formas y materiales. Esto, gracias al enfoque de aprendizaje local del Unet, permite que sea adaptable a un amplio espectro de configuraciones físicas, destacándose como una herramienta versátil para el futuro de las simulaciones micromagnéticas.