CNN-Based Classifier for Automated Identification of Magnetic States in Spin Dynamics Simulations

ملخص تقني: مصنف قائم على الشبكات العصبية التلافيفية (CNN) للتعرف الآلي على الحالات المغناطيسية في محاكاة ديناميكيات الغزل

بيان المشكلة
يعد تحديد وتصنيف الحالات المغناطيسية أمراً بالغ الأهمية لفهم الأنظمة المغناطيسية المعقدة، لا سيالما الأنسجة الطوبولوجية مثل السكيرميونات (skyrmions)، والنطاقات الشريطية (stripe domains)، والدوامات (vortices). غالباً ما تفشل الطرق التقليدية التي تعتمد على الفحص اليدوي أو الميزات المصممة يدوياً في التقاط التباينات الدقيقة أو الأنسجة المغناطيسية ذات التعقيد الطوبولوجي، خاصة مع توليد المحاكاة لمجموعات بيانات ضخمة تغطي مساحات بارامترية واسعة. وبينما أظهرت الشبكات العصبية التلافيفية (CNNs) وعوداً في تصنيف الأنسجة الفيرومغناطيسية (FM)، إلا أن أطر التصنيف القائمة على الصور قد أغفلت إلى حد كبير حالات الأنتيفيرومغناطيسية (AFM). وعلى وجه التحديد، لم تعالج الدراسات السابقة صراحةً السكيرميونات الأنتيفيرومغناطيسية والنطاقات الشريطية الأنتيفيرومغناطيسية كفئات مستهدفة متميزة ضمن إطار عمل موحد متعدد الفئات. علاوة على ذلك، تستخدم العديد من النهج السابقة تمثيلات منخفضة الأبعاد (مثل الملاحظات القياسية أو مكونات الإسقاط على محور z) التي تحجب الميزات الحرجة المشفرة في بنية الغزل ثلاثية الأبعاد الكاملة.

المنهجية
يقترح المؤلفون إطار عمل آلي للتعلم العميق مصمم لتصنيف ملفات تصور تكوينات الغزل إلى تسع حالات مغناطيسية متميزة. تتضمن المنهجية ثلاث مراحل رئيسية:

1. توليد البيانات والتصور:

   • المحاكاة: تم توليد تكوينات الغزل باستخدام محاكة ديناميكيات الغزل الذرية عبر كود Spirit. تم نمذجة النظام باستخدام هاميلتوني هيزنبرغ ثنائي الأبعاد يتضمن تفاعلات التبادل ($J$)، وتفاعل دزيالوشينسكي-موريا (DMI)، والتباين أحادي المحور ($K$)، وارتباط زيمان ($B$).
   • الشبكة والبارامترات: أُجريت عمليات المحاكاة على شبكات غزل بمقاس $200 \times 200$ مع شروط حدودية دورية عبر أربعة أشكال هندسية للشبكة (مربعة، مثلثية، معينية، ومستطيلة). تم تغيير البارامترات بشكل منهجي لتثبيت تسع حالات مغناطيسية محددة.
   • التصور: تم تحويل التكوينات إلى صور RGB باستخدام أداة VFRendering. يقوم هذا التصور بتشفير متجه الغزل ثلاثي الأبعاد الكامل: يمثل لون السهم مكون الخارج عن المستوى ($z$) (الأحمر للأعلى، والأزرق للأسفل)، بينما يعكس اتجاه السهم اتجاه المستوى ($x,y$). يحافظ هذا على معلومات المتجه الكاملة، وهو أمر ضروري للتمييز بين الحالات داخل المستوى حيث يوفر الإسقاط على $z$ وحده تبايناً محدوداً.
   • مجموعة البيانات: تم إنشاء مجموعة بيانات مصنفة يدوياً مكونة من 6,503 صورة RGB، موزعة على تسع فئات: الحالة الأرضية AFM، السكيرميونات داخل المستوى AFM، السكيرميونات AFM، النطاقات الشريطية AFM، الحالة الأرضية FM، السكيرميونات داخل المستوى FM، السكيرميونات FM، النطاقات الشريطية FM، وحالة نيل (Néel). تم تقسيم مجموعة البيانات بنسبة 70% للتدريب، 15% للتحقق، و15% للاختبار.

2. بنية النموذج:

   • تم تكييف بنية EfficientNetV1B0 في هذه الدراسة، والتي اختيرت لكفاءتها وقدرتها على تحقيق أداء عالٍ بعدد أقل من البارامترات مقارنة بالشبكات العصبية الأخرى.
   • استخراج الميزات: يستخدم النموذج 16 كتلة من نوع "المكعب المنكوس المتحرك" (MBConv)، والتي تتضمن وحدات "الضغط والتحفيز" (Squeeze-and-Excitation) لتعزيز القدرة التمثيلية من خلال تعلم أوزان ديناميكية للقنوات.
   • رأس التصنيف: تم تعديل الشبكة الأصلية بطبقة تلافيفية $1 \times 1$، تليها طبقة التجميع المتوسط العالمي (GAP)، وطبقة متصلة بالكامل ذات تسعة عصبونات مخرجة، ودالة تنشيط Softmax لإجراء تصنيف من تسع فئات.
   • التدريب: تم تدريب النموذج من الصفر باستخدام محسن Adam، ودالة خسارة الإنتروبيا المتقاطعة الفئوية، ومعدل تعلم 0.001، وحجم دفعة 32 لمدة 50 حقبة (epoch) مع خاصية التوقف المبكر.

3. التقييم:

   • تم تقييم الأداء باستخدام الدقة الكلية (macro-accuracy) ودرجة F1 الكلية (macro F1-score) لضمان تقييم متوازن عبر جميع الفئات، ومعالجة عدم التوازن المحتمل في الفئات (مثل فئة حالة نيل الأصغر عدداً).
   • أُجري تحليل مقارن مقابل ثماني بنيات أخرى للشبكات العصبية التلافيفية وهي: InceptionResNetV2، وDenseNet121، وMobileNet، وMobileNetV2، وMobileNetV3Small، وResNet50، وResNet101، وXception.

النتائج الرئيسية

• الأداء: حقق النموذج المقترح القائم على EfficientNetV1B0 دقة، ودقة مسبقة (precision)، واستدعاء (recall)، ودرجة F1 كلية بلغت 99% على مجموعة الاختبار.
• المقارنة: تفوق النموذج على جميع البنيات الأخرى التي تم تقييمها. فعلى سبيل المثال، بينما حققت نماذج MobileNet وXception وDenseNet121 دقة بنسبة 97%، تأخر نموذج MobileNetV2 بشكل ملحوظ عند 66%.
• القوة عبر الفئات: أظهر النموذج أداءً عالياً متسقاً عبر جميع الفئات التسع، حيث تراوحت قيم الاستدعاء بين 97% و100%. ومن الجدير بالذكر أن فئة "نيل" الأقلية (44 عينة) حققت استدعاءً بنسبة 100%.
• تحليل الميزات: أكدت تصورات Grad-CAM أن انتباه النموذج كان مركزاً على المناطق الحاملة للإشارة في تكوينات الغزل بدلاً من الشوائب الخلفية، مما يشير إلى تعلم الميزات المكانية ذات الصلة بالمهمة.
• التحقق عبر الأكواد البرمجية: أظهر اختبار أولي على 20 صورة تم إنتاجها من MuMax3 (أداة محاكاة مختلفة) تصنيفاً صحيحاً بنسبة 100% للسكيرميونات FM، والنطاقات الشريطية FM، والحالات FM، مما يشير إلى إمكانية التوافق عبر الأكواد المختلفة.

المساهمات الرئيسية

1. إطار عمل موحد متعدد الفئات لـ AFM وFM: تقدم هذه الدراسة أول إطار عمل آلي قائم على الصور لتصنيف الأنسجة المغناطيسية، يعامل صراحةً السكيرميونات الأنتيفيرومغناطيسية والنطاقات الشريطية الأنتيفيرومغناطيسية كفئات منفصلة إلى جانب الأنسجة الفيرومغناطيسية ضمن نموذج واحد من تسع فئات.
2. تمثيل المتجه الكامل: على عكس الأعمال السابقة التي اعتمدت على بيانات قياسية مبسطة أو مساقط على محور $z$، يستخدم هذا النهج معلومات متجه الغزل ثلاثي الأبعاد الكاملة المشفرة في صور RGB، مما يسمح بالتمييز بين الحالات المعقدة داخل المستوى.
3. مجموعة بيانات شاملة: إنشاء مجموعة بيانات جديدة مصنفة يدوياً مكونة من 6,503 صورة لأنسجة الغزل الذرية تغطي هندسات شبكية متنوعة وأنظمة مغناطيسية مختلفة.
4. المقارنة المرجعية: تقديم مقارنة صارمة تثبت أن EfficientNetV1B0 يوفر التوازن الأمثل بين الدقة والكفاءة الحسابية لهذه المهمة الفيزيائية المحددة.

الأهمية والقيود
تزعم الورقة أن هذا العمل يثبت جدوى استخدام إطار عمل موحد قائم على الشبكات العصبية التلافيفية لتصنيف مجموعة متنوعة من أنسجة الغزل المحاكات بدقة، بما في ذلك تكوينات FM وAFM. يعالج هذا الأتمتة الحاجة المتزايدة لتفسير واسع النطية، وفعال، وموضوعي للظواهر المغناطيسية في عمليات المحاكاة الضخمة.

ومع ذلك، أشار المؤلفون صراحةً إلى عدة قيود:

• البيانات الاصطناعية: يعتمد النموذج على صور اصطناعية خالية من الضوضاء تم إنتاجها ببروتوكولات تصور ثابتة. ولم يتم التحقق من صحته بعد مقابل البيانات التجريبية أو مدى صموده أمام التغييرات في إعدادات التصور (مثل خرائط الألوان أو طرق الإسقاط).
• تأثيرات درجة الحرارة: تركز الدراسة على التكوينات الأرضية والميتاستاتيكية (شبه المستقرة) ولا تأخذ في الاعسبار تأثيرات درجات الحرارة المحدودة حيث قد تؤدي التقلبات الحرارية إلى طمس أنسجة الغزل.
• العمل المستقبلي: يذكر المؤلفون أن توسيع نطاق هذا الإطار ليشمل البيانات التجريبية يتطلب مجموعات بيانات خاصة بكل نمط، وسيركزت الجهود المستقبلية على تقييم المتانة تجاه بارامترات التصور ودمج تقنيات الذكاء الاصطناعي القابل للتفسير.