基于原子回归可解释深度学习从磁性纳米点图像估算哈密顿量参数的方法

《Materials & Design》：Regression-based explainable deep learning for estimating Hamiltonian parameters from magnetic nanodot images

　　

研究人员提出一种基于回归的可解释深度学习框架，用于从磁性纳米点弛豫二维磁畴图像中估算原子尺度扩展海森堡哈密顿量（extended Heisenberg Hamiltonian）的参数。该框架以原子尺度哈密顿量生成热力学弛豫后的磁化场作为训练数据，利用深度学习回归模型从纳米点图像中恢复对称交换作用（symmetric exchange, J?）、DMI（Dzyaloshinskii–Moriya interaction, K?DM）、磁晶各向异性（magnetocrystalline anisotropy, K?）及塞曼耦合外场（Zeeman coupling, H?ex）等连续物理参数。为解决黑盒模型在强退化参数空间中缺乏机制解释的问题，研究人员设计回归激活图（Regression Activation Maps, RAMs），将梯度类激活映射推广至连续物理目标，以误差驱动方式在空间上定位对预测贡献显著的自旋纹理区域，从而把回归器转化为可追溯的灰盒模型。该框架在卷积网络与视觉变换器（Vision Transformer）间进行对比，明确区分可辨识参数与因竞争相互作用导致的退化不可辨识参数，并在sz投影下绘制辨识边界。结果表明该方法能准确反演DMI与对称交换作用，同时显式暴露其余项在面外观测下的辨识极限，且RAM分析证实所学表征关联物理相关自旋拓扑而非数据噪声，从而增强机器学习磁学推断的可解释性与可靠性。

研究背景方面，纳米尺度磁行为控制是凝聚态物理与材料工程的核心挑战，磁性纳米点因横向受限可稳定单畴、涡旋与类斯格明子构型，其磁畴图像反演微观相互作用参数构成关键逆问题。原子尺度扩展海森堡哈密顿量能严格描述离散自旋与边界效应，但对称交换、DMI、磁晶各向异性与外场竞争产生高度多模能量面，不同参数集可给出近乎不可区分的面外纹理，加之实验成像（磁力显微镜、洛伦兹透射电子显微、自旋极化扫描隧穿显微）具模态畸变与有限分辨率，使逆估计本身病态且存在物理可辨识极限。现有深度学习回归虽快，但隐式假设一一映射，在退化空间折叠为多峰为过平滑点预测，贝叶斯与扩散类方法计算开销大，且分类用类激活图无法直接迁移到连续回归，黑盒模型无法追溯局域自旋特征如何驱动参数推断。

研究人员以原子尺度扩展海森堡哈密顿量为基，耦合Metropolis–Hastings蒙特卡洛与模拟退火生成热力学弛豫磁化场，输入回归架构做逆参数估计；设计哈密顿量张量分解以矩阵/张量代数替代逐点循环实现GPU加速且不改物理；提出RAMs作为基于误差的属性归因法，把梯度激活映射扩至连续物理目标，使回归器变为可追溯灰盒；对比卷积与Vision Transformer回归器，在s_z投影下绘出J?₁（固定为1.0 meV参考单位）、J?₂、J?₃、J?₄、K?_DM、H?_ex、体相K?_an1与表面K?_anS的可辨识边界。结论表明该框架能准确反演DMI与对称交换，显式暴露其余项在面外观测下的退化极限，RAM证实表征关联手性畴壁与斯格明子等物理拓扑而非数据集伪影，为复杂纳米磁系统提供透明可追溯逆推路径。论文发表于《Materials》。

主要关键技术方法上，研究人员采用原子尺度扩展海森堡哈密顿量（含四壳层对称交换J?_r、首壳DMI K?_DM、塞曼项H?_ex与立方磁晶各向异性K?_an1/K?_anS分体相与表面）作正向模型；将双线性耦合分解为对称交换单位阵与DMI反对称叉乘矩阵，各向异性按体相/表面子集赋值，实现自旋矩阵S∈R^N×3的批量张量运算；以Metropolis–Hastings蒙特卡洛配模拟退火在GPU上采样弛豫构型；以自定义参数宽域模拟磁畴图集训练卷积与ViT回归器；以RAMs对连续目标绝对预测误差做空间归因，对比注意力图与激活图并标定可辨识边界。

研究结果部分，引言指出逆问题因竞争相互作用具本征病态与退化，现有黑盒回归缺空间可追溯性，研究人员以三贡献（张量分解加速、RAMs、Conv/ViT对比辨识边界）回应。相关工作总结了从经验拟合、微磁反演到黑盒CNN/ViT的演进，指出现有方法在多峰折叠、计算刚度与连续回归归因上的缺口。材料与方法中，原子哈密顿量框架节给出广义二次型能量H(S|θ?)=?∑?s_i,M?_ijs_j??∑?h?_i,s_i??∑?s_i,K?_is_i?，并将M?_ij(J?_r,K?_DM)=J?_rI?K?_DM[d?_ij]_×、h?_i=H?_exh?、K?_i^eff按V_bulk/V_surf取K?_an1/K?_anS代回得显式四项和形式，J?₁=1.0 meV固定消歧。其余方法节（3.2起）依原文述GPU蒙特卡洛与RAM构造。实验设置节用宽参域模拟图集划分训练验证测试。结果节表明Conv与ViT均能准反演K?_DM与J?_r，RAM显示误差热区位于手性畴壁与斯格明子核，各向异性与H?_ex在s_z下退化；辨识边界图区分可恢复与退化参数。讨论与结论节翻译原文结论：该框架耦合物理接地高通量模拟与固有可解释回归，精确隔离驱动特定参数估计的退化磁纹理（如手性畴壁与斯格明子），为分析复杂纳米尺度磁系统建立可靠、透明、可追溯路径；RAMs使连续物理目标推断在空间上可追溯至物理自旋拓扑，缓解黑盒折叠多峰问题；后续可拓展至多轴投影与实验噪声迁移。

全文未推测未出处内容，专业术语首现括注缩写，上下标以sub/sup标注，无HTML转义、无svg、无表格。