自旋电（diàn）子学涉（shè）及电子的内在自（zì）旋（xuán）和电（diàn）子（zǐ）工程领域，目前相（xiàng）关研究（jiū）正（zhèng）在积（jī）极进行（háng），以解决现有（yǒu）硅半（bàn）导体存（cún）在的集成局限性（xìng），开发下（xià）一（yī）代（dài）超低功耗和高性能半导体。磁（cí）性材料是开发自旋电子器（qì）件（如MRAM磁阻（zǔ）随机（jī）存取存（cún）储器）最常用的材料之一。因（yīn）此，通（tōng）过（guò）分析磁哈密顿量及其参数来准确识别磁性材料的性质，如热（rè）稳定性、动态行为和基（jī）态（tài）构型等，具有重（chóng）要意义。

  以（yǐ）前，为了更准确深入地了解磁性材料的性质，需要（yào）通（tōng）过（guò）各（gè）种实验直接测（cè）量磁哈（hā）密（mì）顿参数（shù），这一过程需（xū）要耗费大量时（shí）间和资源。为了克服这些困难，韩国的（de）研究人员开发（fā）了一种人工（gōng）智能(AI)系统，可以实（shí）时分析磁性系统。

  韩（hán）国（guó）科学技（jì）术研究院(KIST)宣布，其联合研究团队开发（fā）了一种技术，可以利（lì）用人（rén）工智（zhì）能技（jì）术，通过自旋结构图像估（gū）计磁哈密顿（dùn）参数（shù）。该团队由自旋（xuán）收敛研究中心（Spin Convergence Research Center）的Heeyong Kwon博士（shì）和Dr. Junwoo Choi 博士，以及庆熙大（dà）学（Kyung Hee University）的Changyeon Won教授领导。

  研究人员构建深层神经（jīng）网络，并（bìng）利用机器学（xué）习算法和（hé）现有磁畴图（tú）像对其（qí）进行训练。结果表明，输入通（tōng）过电子（zǐ）显微（wēi）镜（jìng）获得的（de）自旋（xuán）结构图像，可以实（shí）时估计磁哈密顿参数。此外，与实验（yàn）得到的参数值（zhí）相比（bǐ），人（rén）工智能系统的估（gū）计误差小于1%，具（jù）有较高（gāo）的准确度。据该团队介绍，利用所（suǒ）开发（fā）的（de）人工智能（néng）系统，可以通过深度学（xué）习技术（shù），即时完成材（cái）料参数评（píng）估过程。以前完（wán）成这一过程需要数十个小时。

  KIST的（de）Hee-young Kwon博士表示：“我们提出一种新方法，展示如何利用人工智能技术来分析磁性系统性能。预计（jì）使用（yòng）这种新方法，通过（guò）人工（gōng）智能技术研究（jiū）物理（lǐ）系统，将（jiāng）缩小实验值和理论值（zhí）之间（jiān）的差距，并将进一步融合人工智能技术和基础科学（xué）研究（jiū），拓展新的研究领域。”