近日，浙江理工大学物理学系宋昌盛副教授团队在二维磁结构中斯格明子相界预测方面取得重要进展。相关成果以“Machine Learning-Driven Prediction of Skyrmion Phase Boundaries in 2D Magnets”为题，发表于国际权威物理期刊《Phys. Rev. Materials》。理学院22级硕士生胡宏亮（光电信息工程）为论文第一作者，宋昌盛副教授和吴小平高级实验师为共同通讯作者。胡宏亮同学已获电子科技大学基础与前沿研究院博士研究生（物理学）录取。浙江理工大学为唯一完成单位，该工作得到了国家自然科学基金，浙江省自然科学基金支持。
工作简介：
研究团队融合原子自旋模拟与机器学习算法，系统解析了二维磁体中斯格明子相界在多参数空间（包括磁交换阻挫强度η、Dzyaloshinskii-Moriya (DMI)强度、单离子各向异性K、磁场B和温度T）的分布规律。通过构建集成学习框架，利用卷积自编码器（CAE）进行特征提取、t-SNE降维、K-means聚类以及Inception-V3分类模型，实现了对铁磁（FM）、斯格明子（Skyrmion）及混合相（Mixed） 的高精度识别，分类准确率达98.2%。为精准确定相边界，团队引入贝叶斯主动学习框架结合高斯过程回归（GPR），通过迭代采样显著降低预测误差至稳定值~0.05。基于预测结果，进一步揭示了斯格明子相界（λ）与关键磁参数η、K、D之间的普适定量关系：λ ∼ ηK/D²。该关系式定量描述了磁参数竞争对斯格明子稳定性的调控机制。该研究不仅为高效、高精度预测复杂磁相图提供了新范式，也充分展示了机器学习在解析强关联磁性系统微观物理机制方面的巨大潜力。
本工作的图文摘要
论文信息：
H. L. Hu, Z. Chen, S. W. Zhu, X. Y. Guan, X. P. Wu*, C. S. Song†. Machine learning-driven prediction of skyrmion phase boundaries in 2D magnets. Phys. Rev. Materials 9, 074001 (2025).
DOI: https://doi.org/10.1103/55z5-cm5q
