Analýza magnetických skyrmionů pomocí metod strojového učení

Abstract

Název práce: Analýza magnetických skyrmionů pomocí metod strojového učení Autor: Ondřej Dušek Katedra / Ústav: Katedra fyziky kondenzovaných látek Vedoucí bakalářské práce: RNDr. Pavel Baláž, Ph.D., Katedra fyziky kondenzovaných látek Abstrakt: V rámci této práce byly zkoumány fáze feromagnetických mřížkek získaných Monte Carlo simulacemi pro Heisenbergův hamiltonián pomocí metod strojového učení. Byla použita metoda nejbližších centroidů, metoda Support Vector Machines a hluboké konvoluční neuronové sítě. Byla porovnána a diskutována úspěšnost jednotlivých metod a pro parametry Heisenbergova hamiltoniánu B a D (tedy velikost magnetického pole a parametr D Dzyaloshinskii-Moriya interakce) byl sestrojen fázový diagram. U konvolučních neuronových sítí byly vyzualizovány výstupy konvolučních vrstev, což nabízí vhled do jejich procesu klasifikace, a byl proveden odhad hranice mezi klasifikovanými fázemi. Oproti již provedeným pracím byly v této práci zkoumány výrazně větší mřížky, na kterých se objevovaly zvláštní varianty zkoumaných fází, a pokročilejší metody strojového učení. Některým jednodušším metodám činila klasifikace větších mřížek obtíže, ovšem námi vytvořený finální model hluboké konvoluční neuronové sítě dokázal fáze klasifikovat velmi spolehlivě a poradil si i s mřížkami s problematickými fázemi....

Title: Analysis of magnetic skyrmions using machine learning methods Author: Ondřej Dušek Department: Department of Condensed Matter Physics Supervisor: RNDr. Pavel Baláž, Ph.D., Department of Condensed Matter Physics Abstract: In this thesis, we were examining phases of ferromagnetic lattices obtained using Monte Carlo simulations and the Heisenberg hamiltonian with machine learning methods. Methods used were Nearest Centroid method, Support Vector machines method and deep convolutional neural networks. We compared and discussed their classification accuracy and used each one of them to create a phase diagram for parameters B and D of the Heisenberg hamiltonian (a magnetic field size and the parameter D of Dzyaloshinskii-Moriya interaction). Afterwards, we visualised outputs of convolutional layers in convolutional neural networks and used them to make an estimate of phase boundaries. In comparison with other articles, we used much larger lattices and more sophisticated machine learning methods. On some of these larger lattices appeared unusual variants of examined phases, which did not appear on smaller lattices. Some simpler machine learning methods had troubles with their classification, however, the final deep convolutional neural network we created was able to not only correctly classify lattices with...