Motifs magnétiques sous le microscope express
Un film magnétique d'une épaisseur de quelques dizaines d'atomes stocke l'information sous forme de minuscules vortex magnétiques. Mais on ne peut pas regarder à l'intérieur et voir ces vortex directement : l'instrument ne détecte que le faible champ magnétique autour du film. Reconstituer le motif d'aimantation à partir de ce champ, c'est comme deviner la forme d'un relief invisible à partir de son ombre sur un mur. Une même ombre peut être projetée par différentes formes, et le problème se décompose en une infinité de réponses.
Les auteurs de l'étude ont proposé une méthode qui ne nécessite pas d'exemples prêts à l'emploi pour l'apprentissage. Au lieu de cela, ils lancent un réseau de neurones simple qui ajuste lui-même l'image expliquant le champ mesuré. Le réseau part d'un bruit aléatoire et, progressivement, pas à pas, dessine le motif magnétique en vérifiant les lois de la physique. Cette approche est appelée « a priori profond d'image » : le réseau, avant même l'apprentissage, « sait » que les images naturelles sont généralement lisses et cohérentes, et non un désordre de pixels.
Les expériences ont été réalisées sur des motifs en permalloy — un alliage de nickel et de fer — déposés sur de minuscules plots sur un substrat de silicium. La comparaison avec une méthode indépendante, la microscopie à force magnétique, a confirmé que les images reconstruites correspondent aux domaines magnétiques réels — les régions où tous les aimants atomiques pointent dans la même direction. Un tel outil sera utile pour le développement de mémoires où l'information est stockée sous forme de vortex magnétiques, et de capteurs sensibles aux champs ultra-faibles.
Résumé original
tel que rédigé par les auteurs, en anglais 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.
Le permalloy utilisé dans l'étude s'aimante même dans le faible champ terrestre, c'est pourquoi on en fabrique des noyaux de transformateurs et des blindages qui protègent les instruments des interférences magnétiques.
Dans la nouvelle de Greg Egan « Les Tapis de Wang », les motifs d'aimantation dans les films minces deviennent des supports de conscience — n'est-ce pas là un lointain avenir pour la spintronique ?