main concepts scientists sections
ПростоПопулярноПодробно

Как нейросеть учится видеть магнетизм в рентгеновских лучах ✛ ✦

Оригинал: "Neural-network-based reconstruction of spin and orbital angular momentum from X-ray magnetic circular dichroism spectra"
· Tetsuro Ueno
arXiv:2607.11058 · 2026-07-13 · CC BY 4.0 · 1 мин
Материаловедение
Искусственный интеллект научился по рентгеновским спектрам разделять два источника магнетизма электронов.

Рентгеновский спектр — это звукозапись, которую оставляют электроны в магнитном материале. Раньше учёные слушали только громкость, а теперь машинное обучение различает в ней партии двух танцоров: собственное вращение электрона (спин) и его орбитальный бег. Используя поляризованный свет, чувствительный к направлению вращения, физики натренировали нейросеть на тысячах спектров, созданных в компьютерной симуляции с разной силой внутреннего поля и спин-орбитальной связью. Сеть освоила прочтение формы линий так же уверенно, как дирижёр слышит каждый инструмент.

В отличие от старых правил, глядящих лишь на площадь пиков, нейросеть охватывает весь спектр, как детальный портрет. Она видит тонкие электромагнитные переходы между энергетическими уровнями и улавливает орбитальный вклад, проявляющийся в едва заметных изгибах, — с ошибкой менее 2%.

Такой подход делает квантовый сенсинг сверхточным измерителем, открывая путь к новым магнитным устройствам.

Весь граф →

Упрощённые правила для извлечения магнитных свойств из спектров появились в 1992 году — ровесники первых веб-браузеров.

$\langle S_z \rangle \approx \frac{1}{R} \int_{L_3} (\mu_+ - \mu_-) dE$
Классическое правило сумм связывает интеграл сигнала XMCD по L₃-краю с ожидаемым спиновым моментом, но нейросеть выходит далеко за рамки этого приближения, используя полный профиль линии.
Учёные
Christian DopplerD. B. McLaughlinDidier QuelozMichel MayorR. A. RossiterJames Clerk Maxwell
Понятия
рентгеновский магнитный круговой дихроизм ЯМР-спектроскопия спектроскопия ядерного спина реконструкция данных с помощью нейронных сетей нейронные сети в пространственном картировании ось вращения xgboost численное моделирование трёхмерная реконструкция реконструкция микролинзирования нейронной сетью XRISM