近期，我院计算凝聚态物理组在基于机器学习预测电流驱动嵌套斯格明子袋动力学方面取得重要进展，相关研究成果以“Machine learning assisted prediction of dynamics in current-driven nested skyrmion bags”为题发表于《Communications Physics》（2026, 9, 184）。硕士研究生李蕊为第一作者，金晨东博士为通讯作者。
嵌套斯格明子袋是一类具有可调拓扑荷的磁性拓扑结构，在自旋电子学器件尤其是赛道存储器中展现出多比特数据编码的潜力。然而，斯格明子霍尔效应导致其运动轨迹偏离电流方向，限制了器件的可控性与集成度。针对这一问题，研究团队系统构建了零拓扑荷嵌套斯格明子袋，发现其在自旋轨道矩驱动下可实现无横向偏转的直线运动。通过微磁计算与Thiele方程解析，研究揭示了内层斯格明子数量增加时由马格努斯里力引起的横向拉伸现象，并证实引入额外同心畴壁层可有效抑制该形变。为进一步快速预测不同参数下嵌套斯格明子袋的斯格明子霍尔角，团队建立了包含12种机器学习模型的预测框架。结果表明，梯度提升类方法与神经网络模型具有最高预测精度，而线性回归模型表现最差，证实了系统内在的强非线性特征。基于该预测能力，团队设计了复用器器件，利用不同拓扑荷的嵌套斯格明子袋的不同霍尔角实现信号路由。该工作为霍尔角拓扑磁性结构的运动控制提供了新思路，也为基于机器学习加速自旋电子学器件设计奠定了基础。
该工作得到了中央引导地方科技发展资金项目、国家自然科学基金、河北省自然科学基金、河北大学科研创新团队项目、河北大学优秀青年科研创新团队以及河北大学高性能计算中心的资助和支持。
论文链接：https://doi.org/10.1038/s42005-026-02660-1
