先进磁性设备中数据存储的可靠性和写入速度取决于微观磁畴结构的剧烈、复杂变化。然而，量化这些变化极具挑战性，限制了我们对磁现象的理解。

为了解决这个问题，日本的研究人员开发并使用了机器学习和拓扑学。这种分析方法量化了磁畴结构的复杂性，揭示了人眼几乎看不到的磁化反转的隐藏特征。

磁畴的微结构控制自旋电子器件及其操作。当向系统施加外部磁场时，这些磁畴结构会发生复杂、剧烈的变化。由此产生的精细结构不可重现，量化磁畴结构的复杂性具有挑战性。

因此，我们对磁化反转现象的理解仅限于粗略的目视检查和定性方法，这是材料设计中的严重瓶颈。坡莫合金是一种研究了一个多世纪的著名材料，甚至很难预测其磁畴结构的稳定性和形状。

为了解决这个问题，日本东京理科大学MasatoKotsugi教授领导的一组研究人员最近开发了一种基于AI的材料功能定量分析方法。

在他们发表在《先进材料科学与技术：方法》上的工作中，该团队使用拓扑数据分析并开发了一种用于磁反转过程的超分层和解释性分析方法。简而言之，根据研究团队的说法，超层次意味着微观和宏观属性之间的联系，这些属性通常被视为孤立的，但在大方案中，它们共同有助于物理解释。

该团队使用持久同源性量化了磁畴结构的复杂性，持久同源性是计算拓扑中使用的一种数学工具，用于测量跨多个尺度持续存在的数据的拓扑特征。

该团队使用主成分分析进一步可视化二维空间中的磁化反转过程，这是一种数据分析程序，通过较小的“汇总指数”汇总大型数据集，从而促进更好的可视化和分析。

正如Kotsugi教授所解释的那样，“拓扑数据分析可用于解释复杂的磁化反转过程并定量评估磁畴结构的稳定性。”

该团队发现，这种分析可以检测到人眼看不到的结构的微小变化，表明主导亚稳态/稳态逆转过程的隐藏特征。他们还成功地确定了原始微观磁畴结构中宏观反转过程分支的原因。

这项研究的新颖之处在于它能够通过应用拓扑和机器学习方面的最新数学进展，跨层次自由地连接磁畴微观结构和宏观磁功能。

这使得能够检测到细微的微观变化并随后提前预测稳定/亚稳态，这是迄今为止不可能的。“这种超层次和解释性分析将提高自旋电子学设备的可靠性以及我们对随机/确定性磁化反转现象的理解，”Kotsugi教授说。

有趣的是，凭借其优越的解释能力，新算法还可以应用于研究蝴蝶效应等混沌现象。在技​​术方面，它可能会提高下一代磁存储器写入的可靠性，有助于为下一代设备开发新硬件。