Implementación de machine learning en el micromagnetismo computacional: un enfoque para la optimización y descubrimiento de nuevas texturas magnéticas
DOI:
https://doi.org/10.26507/paper.4392Palabras clave:
Machine Learning, Micromagnetismo Computacional, Ubermag, Nanotecnología, Hipertermia magnéticaResumen
Las técnicas de aprendizaje automático están teniendo un impacto transformador en el campo del micromagnetismo computacional, al facilitar la modelación precisa de fenómenos complejos como la dinámica de magnetización en nanopartículas magnéticas. Modelos supervisados, en particular las redes neuronales profundas (DNN), han demostrado una notable capacidad predictiva, alcanzando métricas de rendimiento elevadas como un AUC de 0.997, lo cual valida su aplicabilidad en estudios micromagnéticos.
La reducción de orden no lineal, mediante enfoques de aprendizaje en variedades (manifold learning), ha permitido disminuir la dimensionalidad de los sistemas conservando una alta fidelidad en los resultados, lo que conlleva una significativa mejora en la eficiencia computacional. Técnicas como el análisis de componentes principales con núcleo (kernel PCA) y la regresión ridge con núcleo (kernel ridge regression) han sido empleadas para optimizar el procesamiento y análisis de grandes volúmenes de datos.
El entrenamiento de modelos requiere conjuntos de datos altamente curados, como imágenes TEM segmentadas manualmente, lo que introduce desafíos asociados al costo computacional y a la necesidad de anotaciones expertas. A esto se suma la implementación limitada de la ecuación de Landau–Lifshitz–Gilbert (LLG) en plataformas como COMSOL, debido a restricciones numéricas que buscan conservar la norma de la magnetización.
Asimismo, campos adyacentes como la nanotoxicología y la educación adaptativa ofrecen perspectivas útiles en torno al ajuste de hiperparámetros, la robustez de los modelos y el diseño de arquitecturas eficientes, que pueden ser transferidas al dominio del magnetismo computacional.
Finalmente, las redes neuronales físico-informadas (PINN) y las arquitecturas basadas en imágenes, como las redes convolucionales (CNN), están revolucionando la predicción de campos magnéticos y propiedades materiales, acelerando el desarrollo de nuevos dispositivos y materiales con aplicaciones tecnológicas avanzadas.
Citas
Miao, J.-Y. (2019). Machine learning and micromagnetic studies of magnetization switching. Chinese Physics Letters, 36(9), 097501. https://doi.org/10.1088/0256-307X/36/9/097501
Schaffer, S., Mauser, N. J., Schrefl, T., Suess, D., & Exl, L. (2021). Machine learning methods for the prediction of micromagnetic magnetization dynamics. IEEE Transactions on Magnetics, 58(2), 1–6. https://doi.org/10.1109/tmag.2021.3095251
Exl, L., Mauser, N. J., Schrefl, T., & Suess, D. (2020). Learning time-stepping by nonlinear dimensionality reduction to predict magnetization dynamics. Communications in Nonlinear Science and Numerical Simulation, 84, 105205. https://doi.org/10.1016/j.cnsns.2020.105205
Exl, L., Mauser, N. J., Schaffer, S., Schrefl, T., & Suess, D. (2021). Prediction of magnetization dynamics in a reduced dimensional feature space setting utilizing a low-rank kernel method. Journal of Computational Physics, 444, 110586. https://doi.org/10.1016/j.jcp.2021.110586
Swapneel Amit Pathak, Kurt Rahir, Sam Holt, Martin Lang, Hans Fangohr; Machine learning based classification of vector field configurations. AIP Advances 1 February 2024; 14 (2): 025004. https://doi.org/10.1063/9.0000686
Gokhale, S. (2025). Well-posedness for the stochastic Landau–Lifshitz–Gilbert equation with helicity driven by jump noise. Statistics & Probability Letters, 216, 110285. https://doi.org/10.1016/j.spl.2024.110285
Ding, Z., Pascal, E., & De Graef, M. (2020). Indexing of electron back-scatter diffraction patterns using a convolutional neural network. Acta Materialia, 199, 370–382. https://doi.org/10.1016/j.actamat.2020.08.046
Schaffer, S., Schrefl, T., Oezelt, H., Kovacs, A., Breth, L., Mauser, N. J., Suess, D., & Exl, L. (2023). Physics informed machine learning and stray field computation with application to micromagnetic energy minimization. Journal of Magnetism and Magnetic Materials, 576, 170761. https://doi.org/10.1016/j.jmmm.2023.170761
Mohan, S., Thirumalai, C., & Srivastava, G. (2019). Effective heart disease prediction using hybrid machine learning techniques. IEEE Access, 7, 81542–81554. https://doi.org/10.1109/ACCESS.2019.2923707
Essa, S. G., Celik, T., & Human Hendricks, N. E. (2023). Personalized adaptive learning technologies based on machine learning techniques to identify learning styles: A systematic literature review. IEEE Access, 11, 48392–48409. https://doi.org/10.1109/ACCESS.2023.3276439
Khoei, A. R., Seddighian, M. R., & Rezaei Sameti, A. (2024). Machine learning–based multiscale framework for mechanical behavior of nano crystalline structures. International Journal of Mechanical Sciences, 265, 108897. https://doi.org/10.1016/j.ijmecsci.2023.108897
Furxhi, I., Murphy, F., Mullins, M., Arvanitis, A., & Poland, C. A. (2020). Practices and trends of machine learning application in nanotoxicology. Nanomaterials, 10(1), 116. https://doi.org/10.3390/nano10010116
Winkler, D. A. (2020). Role of artificial intelligence and machine learning in nanosafety. Small, 16, 2001883. https://doi.org/10.1002/smll.202001883
Papers with Code - TEM nanowire morphologies for classification and segmentation Dataset. (n.d.). https://paperswithcode.com/dataset/tem-nanowire-morphologies-for-classification
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
