Patrones magnéticos bajo el microscopio exprés
Una película magnética de unas decenas de átomos de espesor almacena información mediante diminutos vórtices magnéticos. Pero no se puede mirar dentro y ver esos vórtices directamente: el instrumento solo detecta el débil campo magnético alrededor de la película. Reconstruir el patrón de magnetización a partir de ese campo es como adivinar la forma de un relieve invisible por su sombra en la pared. Una misma sombra puede ser proyectada por figuras distintas, y el problema se descompone en un número infinito de respuestas.
Los autores del trabajo propusieron un método que no requiere ejemplos previos para el entrenamiento. En su lugar, ponen en marcha una red neuronal simple que por sí misma ajusta la imagen que explica el campo medido. La red comienza con ruido aleatorio y, paso a paso, va dibujando el patrón magnético, contrastándolo con las leyes de la física. Este enfoque se conoce como prior profundo de imagen: la red, incluso antes de entrenarse, «sabe» que las imágenes naturales suelen ser suaves y coherentes, no un revoltijo de píxeles sin orden.
Los experimentos se realizaron con patrones de permalloy, una aleación de níquel y hierro, con la que se recubrieron pequeñas áreas sobre un sustrato de silicio. La comparación con un método independiente, la microscopía de fuerza magnética, confirmó que las imágenes reconstruidas coinciden con los dominios magnéticos reales, es decir, las regiones donde todos los imanes atómicos apuntan en la misma dirección. Esta herramienta será útil en el desarrollo de memorias donde la información se almacena en forma de vórtices magnéticos, y de sensores capaces de detectar campos ultradébiles.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2604.23431
Reconstructing magnetization in nanoscale magnetic thin films is essential for developing next-generation memory, sensors, and various spintronic technologies. However, this remains challenging due to the ill-posed nature of the stray field inverse problem, i.e., there are infinitely many magnetization solutions to a given stray field distribution. Here, we demonstrate that a physics-informed deep image prior (DIP) framework, using a simple convolutional autoencoder conditionally achieves a reasonable qualitative and quantitative reconstruction of complex in-plane magnetization patterns from scanning NV magnetometry. We find that the orientation of user-defined masks implemented to restrict the reconstruction solution space dramatically affects convergence. The optimal alignment of the mask improves the reconstruction signal-to-noise ratio by up to $$\SI{3}{\decibel}$$, thereby also serving as a diagnostic tool. The DIP approach requires no pre-trained datasets and is considered computationally less intensive as compared to supervised learning approaches. We analyze both Landau and dipole domain structures in lithographically patterned Permalloy nanostructures by incorporating experimentally-guided spatial constraints. Complementary magnetic force microscopy measurements were carried out to support the Scanning NV measurements.
El permalloy utilizado en el trabajo se magnetiza incluso con el débil campo de la Tierra, por lo que se emplea para fabricar núcleos de transformadores y blindajes que protegen los instrumentos de las interferencias magnéticas.
En el relato de Greg Egan «Las alfombras de Wang», los patrones de magnetización en películas delgadas se convierten en soportes de la conciencia: ¿no es acaso el futuro lejano de la espintrónica?