Применение методов машинного обучения для прогнозирования свойств и поиска новых магнитных пленочных структур с однонаправленной магнитной анизотропией

Проект: Проект-Грант

Сведения о проекте

Описание

Эффектом обменного смещения принято называть сдвиг петли гистерезиса ферромагнитного слоя вдоль оси магнитного поля, который возникает благодаря обменному взаимодействию с прилегающим магнитоупорядоченным слоем. Это приводит к тому, что ферромагнитный слой в отсутствии внешнего магнитного поля оказывается намагниченным вдоль определенного направления. Такое состояние функционального слоя крайне желательным в системах с эффектом анизотропного или гигантского магнитосопротивления, что обусловило использование сред с эффектом обменного смещения в качестве чувствительных сред разнообразных датчиков и систем для хранения и записи информации. В связи с развитием новых направлений, в том числе спинтроники, магноники и нейроморфных вычислений, существует потребность в разработке новых функциональных магнитных материалов, во многих из которых используется эффект обменного смещения.
Сложность поиска новых или оптимизации уже известных систем с обменным смещением во многом обусловлена комплексным характером явления и большим количеством влияющих на ключевые характеристики среды параметров. По этой причине, несмотря на неослабевающий интерес к таким магнитным структурам и большому количеству предложенных моделей, до сих пор не найдено относительно простого и универсального метода прогнозирования гистерезисных свойств среды на основании характеристик используемых материалов. На данный момент к наиболее успешным методам описания обменно-связанных слоистых систем относятся микромагнитное моделирование и атомистический расчет, которые не только требуют корректной формулировки относительно сложной задачи, но и значительных вычислительных ресурсов. В настоящем проекте мы предлагаем использовать иной подход к решению указанной комплексной задачи, а именно задействовать возможности современных методов машинного обучения.
Методы машинного обучения позволяют крайне эффективно решать задачи поиска корреляций между входными параметрами и предсказывать значения выходных параметров. Применение машинного обучения для решения задач материаловедения стало логичным продолжением проекта The Materials Genome Initiative, направленного на ускорение и удешевление поиска новых функциональных материалов и в последние несколько лет активно и успешно применяется в самых разных областях от медицины до материалов с повышенными механическими свойствами. Мы полагаем, что задача по разработке метода, позволяющего предсказывать гистерезисные свойства систем с обменным смещением, так же может быть решена с помощью методов машинного обучения, а полученные результаты позволят повысить эффективность поиска новых сочетаний свойств и магнитных материалов.
Предлагаемый проект состоит из двух частей, первая их которых решает задачу получения достоверной обучающей выборки достаточно большого размера, а вторая относится непосредственно к поиску оптимального алгоритма регрессионного анализа и методов проверки данных на предмет наличия излишних корреляций и выбросов. Для формирования обучающей нами будет сформулирована и решена микромагнитная задача для поликристаллических сред типа ферромагнетик/антиферромагнетик, которая позволит учесть и проварьировать большое количество важных для формирования гистерезисных свойств параметров. Адекватность предложенной модели будет проверена на нескольких экспериментально полученных и хорошо аттестованных поликристаллических системах типа M/FeMn (M - чистые металлы Fe, Ni, Co и их сплавы). После получения выборки достаточного размера будет найден оптимальный алгоритм и проведено обучение системы. Для проверки полученного результата будет использована как тестовая выборка, полученная в результате микромагнитного моделирования, так и экспериментальные результаты, которые в силу невозможности определения некоторых параметров будут иметь не полный вектор входных параметров. Таким образом, будет проведена проверка не только работоспособность алгоритма, но и возможность его использования для оценки недостающих параметров по известным значениям прогнозируемых параметров.
СтатусАктивный
Действительная дата начала/окончания02/08/201930/06/2021

Площадка НИЧ УрФУ, где ведется данный грант (НИЧ Куйбышева, НИЧ Мира)

  • НИЧ Куйбышева

Тип источника финансирования (РФФИ, РНФ, Х/Д, Гранты и т.д.)

  • РНФ

ГРНТИ

  • 29.03.77 Моделирование физических явлений