我们生活中会遇到很多磁性材料，如计算机的磁盘，听音乐的耳机，家里的电磁炉等。人类对磁现象的研究有很长的历史，比如公元前239年的《吕氏春秋》中就有“慈石召铁，或引之也”的记载。随着近代物理学的发展，科学家们开始从微观角度来理解磁现象，认识到宏观表现出的磁性是由大量微小的磁性单元聚合而成的结果，并建立了一门学科，称为“微磁学”。目前，科学家们已经建立了磁化过程的动力学方程，称为朗道-利夫希兹-吉尔伯特（LLG）方程。

基于这一方程，可以用计算机模拟材料内部的磁化过程，从而帮助科学家和工程师设计更高效的磁存储设备、磁传感器和其他磁性器件。

然而，这一模拟过程计算起来很复杂，使得我们只能对一些小尺度的材料进行模拟，这极大限制了微磁学的实用价值。这种复杂性主要是因为LLG方程里需要计算一种称为“静磁场”的分量。在计算这一分量时，需要对样本中的每两个单元都要计算一次相互作用，当样本大了以后，这一计算任务就变得很繁重。

2024年11月，昆明理工大学和清华大学的研究者在《自然·机器智能》杂志发表文章，提出了一种称为NeuralMag的新方法，极大降低了微磁学模拟的计算复杂度，为研究大尺度复杂磁性系统打开了大门。

具体来说，这篇文章提出一种“分而治之”的方案，把静磁场的全局计算拆分成不同尺度下的局部计算，再把结果累加起来，就可以用来近似复杂的全局计算。

文章提出了一种U型神经网络（U-Net）来实现这一思路。理论分析表明，在合理的设计下，这一方法可以将计算复杂度从O(Nlog(N))降低到O(N)，从而使大尺度样本的微磁学模拟成为可能。

参考文献：

[1] https://www.nature.com/articles/s42256-024-00914-7

[2] Cai, Y., Li, J. & Wang, D. Fast and generalizable micromagnetic simulation with deep neural nets. Nat Mach Intell (2024). https://doi.org/10.1038/s42256-024-00914-7

供稿：清华大学  王东

制作：北京邮电大学  戴维

审核：北京邮电大学  李蓝天