Магнитные узоры под микроскопом экспресс
Магнитная плёнка толщиной в десятки атомов хранит информацию крошечными магнитными вихрями. Но заглянуть внутрь и увидеть эти вихри напрямую нельзя: прибор чувствует лишь слабое магнитное поле вокруг плёнки. По такому полю восстановить узор намагниченности — всё равно что угадать форму невидимого рельефа по тени на стене. Одна и та же тень может отбрасываться разными фигурами, и задача распадается на бесконечное число ответов.
Авторы работы предложили способ, который не требует готовых примеров для обучения. Вместо этого они запускают простую нейросеть, которая сама подбирает изображение, объясняющее измеренное поле. Нейросеть начинает со случайного шума и постепенно, шаг за шагом, прорисовывает магнитный узор, сверяясь с законами физики. Такой подход называют глубоким априором изображения: сеть ещё до обучения «знает», что естественные картинки обычно бывают гладкими и связными, а не беспорядочным пиксельным мусором.
Эксперименты проводили на узорах из пермаллоя — сплава никеля и железа, которым покрывали крошечные площадки на кремниевой подложке. Сравнение с независимым методом, магнитной силовой микроскопией, подтвердило: восстановленные картинки совпадают с реальными магнитными доменами — областями, где все атомные магнитики смотрят в одну сторону. Такой инструмент пригодится при разработке памяти, где информация хранится в виде магнитных вихрей, и датчиков, чувствующих сверхслабые поля.
Оригинальная аннотация
как её написали авторы, на английском 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.
Пермаллой, использованный в работе, намагничивается даже в слабом поле Земли, поэтому из него делают сердечники трансформаторов и экраны, защищающие приборы от магнитных помех.
В рассказе Грега Игана «Ковры Вана» узоры намагниченности в тонких плёнках становятся носителями сознания — чем не далёкое будущее спинтроники?