基于生成模型的微磁动力学模拟方法

本发明涉及深度学习，尤其涉及一种基于生成模型的微磁动力学模拟方法。

背景技术：

1、传统的微磁学模拟方案中，对微磁学的预测主要通过朗道-利夫希兹-吉尔伯特（landau-lifshitz-gilbert，llg）方程来实现，方程中的静磁场的精确计算对于准确预测微磁动力学行为至关重要。而有效磁场中又包括外部磁场、交换场、各向异性场以及静磁场等多种复杂磁场。仅当这些有效磁场被计算出来后，才能将计算出的有效磁场代入llg方程进而推导出下一状态的磁矩，模拟过程需要处理大量的时间步进，并且每一时间步都需针对磁体系统内部的复杂磁相互作用及与材料特性相关的动力学变化进行详尽计算。

2、随着计算和信息技术的迅速发展，深度学习在多个领域展现了其强大的潜力和效率，特别是在处理大规模计算任务和复杂模拟中能够大幅度提升计算速度和模拟效率。因此，需要一种借助深度学习技术的微磁动力学模拟方法，来减少微磁动力学模拟过程中的计算成本和计算时长。

技术实现思路

1、本发明的主要目的在于提供一种基于生成模型的微磁动力学模拟方法，旨在解决如何减少微磁动力学模拟过程中的计算成本和计算时长的问题。

2、为实现上述目的，本发明提供的一种基于生成模型的微磁动力学模拟方法，所述方法包括：

3、获取所述改进的生成网络预测得到的下一时间步的磁矩分布；

4、将所述预测的磁矩分布作为所述下一时间步的磁矩分布输入至微磁动力学方程中进行连续时间步的迭代预测，直至迭代得到的所述磁矩分布趋于稳态。

5、可选地，所述获取所述改进的生成网络预测得到的下一时间步的预测磁矩分布的步骤之前，还包括：

6、初始化待训练生成网络中每一层配置的权重；

7、通过批处理将预处理后包含高斯噪声的仿真数据集分批输入至所述待训练生成网络中进行训练；

8、获取所述待训练生成网络中每一层基于所述权重和激活函数计算得到的预测磁矩；

9、计算所述预测磁矩与参考磁矩之间的均方误差值；

10、基于所述均方误差值调整网络中的权重；

11、循环执行上述步骤；

12、当上述步骤循环次数满足预设循环次数时，停止循环，将当前待训练生成网络确定为训练后的改进的生成网络。

13、可选地，所述包含高斯噪声的仿真数据集为采用随机初始化迭代llg方程生成了一个以32的倍数递增的不同尺度自旋状态的仿真数据集，其中，每个尺度的所述仿真数据集包括磁矩分布从初始随机自旋状态演化到自旋磁稳态的完整演化过程。

14、可选地，所述改进的生成网络通过预搭载引擎将训练后的生成模型从原始框架中导出为onnx格式的模型，并通过所述预搭载引擎中的解析器将所述onnx格式的模型转换为所述预搭载引擎的内部优化格式。

15、可选地，所述改进的生成网络中的编码器的下采样模块均由一个3×3的卷积核、步长1和填充1的二维卷积层构成，每个卷积层后均设置一个批量归一化层和一个leakyrelu激活层。

16、可选地，所述改进的生成网络中的解码器的上采样模块通过conv2dtranspose层进行图像尺寸的恢复，所述上采样模块中的参数与对应层数的下采样模块相同，所述上采样模块后均设置批量归一化层和relu激活层。

17、可选地，所述改进的生成网络在输出阶段通过一个convtranspose2d层、一个batchnorm层、一个tanh激活层以及一个conv2d层形成最终输出。

18、此外，为实现上述目的，本发明还提供一种基于生成模型的微磁动力学模拟系统，所述基于生成模型的微磁动力学模拟系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于生成模型的微磁动力学模拟程序，所述基于生成模型的微磁动力学模拟程序被所述处理器执行时实现如上所述的基于生成模型的微磁动力学模拟方法的步骤。

19、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于生成模型的微磁动力学模拟程序，所述基于生成模型的微磁动力学模拟程序被处理器执行时实现上所述的基于生成模型的微磁动力学模拟方法的步骤。

20、本发明至少具备以下技术效果：

21、采用生成模型预测磁矩，通过学习llg方程的动力学演化过程来预测磁性材料的磁矩分布，取代传统直接求解llg方程计算磁矩分布的方式，以小误差快速预测磁矩变化，大幅提升模拟速度。

技术特征：

1.一种基于生成模型的微磁动力学模拟方法，其特征在于，应用于基于生成模型的微磁动力学模拟系统，所述基于生成模型的微磁动力学模拟系统包括改进的生成网络，所述方法包括以下步骤：

2.如权利要求1所述的方法，其特征在于，所述获取所述改进的生成网络预测得到的下一时间步的预测磁矩分布的步骤之前，还包括：

3.如权利要求2所述的方法，其特征在于，所述包含高斯噪声的仿真数据集为采用随机初始化迭代llg方程生成了一个以32的倍数递增的不同尺度自旋状态的仿真数据集，其中，每个尺度的所述仿真数据集包括磁矩从初始随机自旋状态演化到自旋磁稳态的完整演化过程。

4.如权利要求1或3所述的方法，其特征在于，所述改进的生成网络通过预搭载引擎将训练后的生成模型从原始框架中导出为onnx格式的模型，并通过所述预搭载引擎中的解析器将所述onnx格式的模型转换为所述预搭载引擎的内部优化格式。

5.如权利要求4所述的方法，其特征在于，所述改进的生成网络中的编码器的下采样模块均由一个3×3的卷积核、步长1和填充1的二维卷积层构成，每个卷积层后均设置一个批量归一化层和一个leakyrelu激活层。

6.如权利要求5所述的方法，其特征在于，所述改进的生成网络中的解码器的上采样模块通过conv2dtranspose层进行图像尺寸的恢复，所述上采样模块中的参数与对应层数的下采样模块相同，所述上采样模块后均设置批量归一化层和relu激活层。

7.如权利要求6所述的方法，其特征在于，所述改进的生成网络在输出阶段通过一个convtranspose2d层、一个batchnorm层、一个tanh激活层以及一个conv2d层形成最终输出。

8.一种基于生成模型的微磁动力学模拟系统，其特征在于，所述基于生成模型的微磁动力学模拟系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于生成模型的微磁动力学模拟程序，所述基于生成模型的微磁动力学模拟程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于生成模型的微磁动力学模拟方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于生成模型的微磁动力学模拟程序，所述基于生成模型的微磁动力学模拟程序被处理器执行时实现如权利要求1至7中任一项所述的基于生成模型的微磁动力学模拟方法的步骤。

技术总结本发明涉及深度学习技术领域，尤其涉及一种基于生成模型的微磁动力学模拟方法。通过使用生成模型预测磁矩分布，从而替代传统直接求解LLG方程直接计算磁矩的方式。该方法通过学习LLG方程的动力学演化过程，实现了对磁矩变化的快速预测，并显著提高了计算效率。该技术能够大幅提升微磁动力学模拟的速度，旨在解决现有技术中计算成本高、计算时长过长的问题。技术研发人员：谭纲觉,李江南,蔡云麒,王东,马吉,沈韬,崔超伟受保护的技术使用者：昆明理工大学技术研发日：技术公布日：2024/12/2