相关实验视频
Updated: Jul 6, 2025

Quantifying Mixing using Magnetic Resonance Imaging
Published on: January 25, 2012
使用深度神经网络量化控制状旋转纹理的磁相互作用
Jian Feng Kong1, Yuhua Ren2, M S Nicholas Tey3
1Agency for Science, Technology & Research (A*STAR), Institute of High Performance Computing, Singapore 138632, Singapore.
机器学习预测磁相互作用从奇拉域图像. 这种方法通过提供高通量替代传统方法来加速纳米电子的发展.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 嵌合体多层膜是纳米级拓旋转纹理的主机,对于先进的计算至关重要.
- 量化磁相互作用的传统方法往往是专门的,耗时的,资源密集的.
- 域配置的高通量成像为快速交互分析提供了一个潜在的解决方案.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法,同时从奇拉域图像中确定关键的磁相互作用 (对称交换,奇拉交换,异性变异).
- 验证ML模型的预测准确性及其发现磁性参数之间的物理相互依赖的能力.
- 证明机器学习驱动技术的实用性,作为传统实验方法的高通量补充.
主要方法:
- 开发和培训一个卷积神经网络 (CNN) 模型,使用超过10,000个二进制域图像.
- 从单个图像中同时预测对称交换,合交换和异性变异参数.
- 对模型预测与独立的实验测量进行验证.
主要成果:
- 在预测磁相互作用参数时,ML模型实现了大于0.85的R平方值.
- 该模型独立学习并揭示了磁性参数之间的物理相互依赖.
- 对显微镜数据的模型预测显示与已确定的实验结果一致.
结论:
- 基于机器学习的技术提供了一种有价值的高通量方法,用于确定嵌合式多层膜中的磁相互作用.
- 这种方法可以显著加速纳米电子材料和设备的开发.
- 该研究强调了ML在简化复杂材料表征过程方面的潜力.
更多相关视频
07:42Optimizing Magnetic Force Microscopy Resolution and Sensitivity to Visualize Nanoscale Magnetic Domains
Published on: July 20, 2022
09:06Visualizing Uniaxial-strain Manipulation of Antiferromagnetic Domains in Fe1+YTe Using a Spin-polarized Scanning Tunneling Microscope
Published on: March 24, 2019
相关概念视频
¹H NMR: Interpreting Distorted and Overlapping Signals
As Δν decreases and the signals move closer, the doublets appear increasingly distorted. The intensities of the inner lines increase at the cost of those of the outer lines as the signals are...
Atomic Nuclei: Nuclear Spin State Overview
NMR Spectroscopy: Spin–Spin Coupling
Atomic Nuclei: Magnetic Resonance
Atomic Nuclei: Nuclear Magnetic Moment
Interpreting ¹H NMR Signal Splitting: The (n + 1) Rule