报告详情
NeuralMAG：基于深度学习的高效微磁学模拟方法研究
编号：417
访问权限：仅限参会人
更新：2025-04-21 21:48:40 浏览：51次
特邀报告
报告开始：2025年05月11日 14:30（Asia/Shanghai）
报告时间：20min
所在会场：[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。
关键词
机器学习,深度神经网络,磁性薄膜,微磁学模拟
报告人
蔡云麒
副研究员 中国科学院物理研究所稿件作者
全部评论
重要日期
-
会议日期
05月09日
2025
至05月11日
2025
-
05月11日 2025
注册截止日期
-
05月14日 2025
摘要截稿日期
-
05月14日 2025
初稿截稿日期
-
08月07日 2025
报告提交截止日期
主办单位
中国机械工程学会表面工程分会
承办单位
天津大学
中国地质大学（北京）
海南大学
北京科技大学
中国地质大学（北京）
海南大学
北京科技大学
联系方式
- 段金弟
- bm******@126.com
- 139********
- 蒋 超
- bm******@126.com
- 189********
- 汪怀远
- bm******@126.com
- 156********
- 王瑞涛
- bm******@126.com
- 137********
- 康嘉杰
- bm******@126.com
- 150********
- 郭 涛
- bm******@126.com
- 138********
发表评论