积极进行自旋电子学的研究，以处理电子的固有自旋和电子工程领域，以解决当前使用的硅半导体集成水平的局限性，并开发出超低功耗和高性能的下一代电子器件。代半导体。磁性材料是开发自旋电子设备(例如，磁阻随机存取存储器(MRAM))的最常用材料之一。因此，必须通过分析磁性哈密顿量及其参数来准确识别磁性材料的特性，例如热稳定性，动力学行为和基态配置。

以前，磁性哈密顿量参数是通过各种实验直接测量的，目的是获得对磁性材料特性的更准确和更深入的了解，而这种过程需要大量的时间和资源。

为了克服这些限制，韩国的研究人员开发了一种可以即时分析磁系统的人工智能(AI)系统。韩国科学技术研究院(KIST)报道说，由自旋收敛研究中心的Heeyong Kwon博士和Cho Junwoo Choi博士以及庆熙大学的Changyeon Won教授领导的合作研究小组开发了一种从自旋中估计磁性哈密顿量参数的技术。使用AI技术构造图像。

他们构建了一个深层的神经网络，并用机器学习算法和现有的磁畴图像对其进行了训练。结果，通过输入从电子显微镜获得的自旋结构图像可以实时估计磁性哈密顿量参数。此外，当与实验研究的参数值进行比较时，AI系统的估计误差小于1%，表明较高的估计精度。根据该团队的说法，开发的AI系统能够通过使用深度学习技术来完成材料参数估算过程，该过程以前需要立即花费数十个小时。

KIST的Hee-young Kwon博士说：“我们提出了一种有关如何实现AI技术来分析磁性系统特性的新颖方法。” “我们期望使用此类AI技术研究物理系统的新方法将能够缩小实验和理论方面之间的差距，并将进一步扩大AI技术与基础科学研究的融合的新研究领域。”