基于坡莫合金成分FeNi纳米线在神经网络应用中的磁学特性调控与机制研究

为解决人工智能硬件实现中新型处理单元的开发需求，研究人员通过电沉积法制备不同电位下的FeNi纳米线，系统研究了其成分-结构-磁性能关系。研究发现-1.05 V条件下获得的FeNi3相纳米线具有典型的坡莫合金(Permalloy)特性，呈现低矫顽力(476 Oe)、高饱和磁化强度及涡旋畴壁主导的磁化反转机制。该研究为构建基于磁性纳米线阵列的Hopfield型神经网络硬件提供了材料基础。

　　

随着人工智能算法的快速发展，传统硅基处理器在实现神经网络运算时面临能效瓶颈。特别是Hopfield型递归神经网络，其复杂的能量景观搜索需要硬件单元具备可调控的磁滞特性，这促使科学家探索新型磁性纳米结构作为人工神经元。在众多候选材料中，铁镍(FeNi)合金纳米线因其可通过电沉积精确调控成分、兼具高饱和磁化和低矫顽力等特点备受关注，但如何通过制备工艺控制其磁学行为以匹配神经元转换函数需求仍缺乏系统研究。

来自波兰的研究团队在《Materials Science and Engineering: B》发表研究，通过模板辅助电沉积在-1.0至-1.3 V电位范围内制备直径40 nm的FeNi纳米线阵列，结合SEM、EDS、XRD和SQUID磁强计等表征手段，系统分析了电位-成分-结构-磁性能的关系，并采用Mumax3软件模拟磁化反转机制。关键发现显示：-1.05 V条件下获得的FeNi₃相纳米线呈现典型坡莫合金特性，其Ni/Fe原子比接近80:20，晶格参数a=0.355 nm，磁学测量显示易磁化轴沿纳米线方向，矫顽力仅476 Oe且具有高饱和磁化强度(0.63 emu/cm²)。

在"3.1 电化学分析"部分，循环伏安测试揭示FeNi共沉积的异常特性，电流瞬变曲线显示沉积速率随电位降低而下降。通过"3.3 化学成分"研究，证实Ni含量从-1.0 V时的63 at.%递增至-1.3 V时的95 at.%，且线扫描显示纳米线顶部Fe含量更高，这种轴向成分梯度源于受限空间内的扩散限制。"3.4 结构研究"通过XRD证实不同电位下分别形成fcc-Ni相、FeNi₃相(L1₂结构)和FeNi相，其中-1.05 V样品显示(111)择优取向。

"3.5 磁学性能"部分显示所有样品均具有沿纳米线轴向的磁各向异性，但坡莫合金成分样品表现出独特的低矩形度(27%)。通过"3.6 微磁模拟"再现实验磁滞回线，揭示磁化反转通过两端成核的涡旋畴壁(Vortex Domain Walls)传播实现，且退磁场分析证实纳米线间存在强磁偶极相互作用。特别值得注意的是，模拟显示涡旋畴壁仅传播至距端点160 nm处，中部区域仍保持纵向磁矩排列，这种分段反转机制对设计多态神经元具有重要意义。

该研究首次将坡莫合金纳米线阵列作为Hopfield神经网络硬件单元进行系统评估，证实通过调控电沉积电位可精确设计纳米线的磁滞特性，从而匹配不同神经网络算法对神经元转换函数的需求。研究揭示的涡旋畴壁传播机制为开发基于手性/极性多态的新型神经元提供了可能，而建立的成分-结构-性能关系数据库为后续神经网络硬件设计提供了重要参考。这项工作推动了磁性纳米材料在神经形态计算中的应用，为突破传统冯·诺依曼架构的能效限制开辟了新途径。