报告简介：

微磁学模拟是磁存储设计和自旋电子学研究的重要手段，它基于朗道-利夫希茨-吉尔伯特（LLG）方程计算磁性系统的动力学演化。然而，由于全局卷积对退磁场计算的限制，模拟速度一直是微磁学方法的瓶颈。本报告提出了一种名为NeuralMAG的深度学习新框架，通过在传统的微磁学模拟框架中引入U型神经网络(Unet)来加速微磁学模拟。理论分析表明，通过提取不同尺度的特征并学习局部相互作用，并将它们累积起来以近似全局退磁场能够大幅降低计算复杂度，实现高效的大规模模拟。与专注于端到端任务特定近似的现有方法不同，NeuralMAG框架针对核心计算，具有很好的泛化性，可作为微磁学模拟的通用工具。

报告人简介：

蔡云麒，博士毕业于 ，主要从事高压下新材料的合成及其物性研究。在博士期间，曾赴美国橡树岭国家实验室进行为期一年的访问交流。2018年，加入清华大学计算机系人工智能研究院，从事博士后研究，主攻深度规整化算法和区分式生成模型的研究。目前就职于昆明理工大学信息工程与自动化学院计算机系，兼任上海人工智能实验室特聘顾问，致力于将人工智能技术应用于科学研究（AI for Science）的前沿领域。

邀 请 人：凝聚态物质科学数据中心

联 系 人：何露 helu@iphy.ac.cn

联系电话：17383977369

报告地点：中关村园区M楼830会议室

腾讯会议：211-553-736

会议密码：0415

会议链接：https://meeting.tencent.com/dm/laxKygqdFjhE