自旋电子学涉及电子的内在自旋和电子工程领域，目前相关研究正在积极进行，以解决现有硅半导体存在的集成局限性，开发下一代超低功耗和高性能半导体。磁性材料是开发自旋电子器件（如MRAM磁阻随机存取存储器）最常用的材料之一。因此，通过分析磁哈密顿量及其参数来准确识别磁性材料的性质，如热稳定性、动态行为和基态构型等，具有重要意义。

  以前，为了更准确深入地了解磁性材料的性质，需要通过各种实验直接测量磁哈密顿参数，这一过程需要耗费大量时间和资源。为了克服这些困难，韩国的研究人员开发了一种人工智能(AI)系统，可以实时分析磁性系统。

  韩国科学技术研究院(KIST)宣布，其联合研究团队开发了一种技术，可以利用人工智能技术，通过自旋结构图像估计磁哈密顿参数。该团队由自旋收敛研究中心（Spin Convergence Research Center）的Heeyong Kwon博士和Dr. Junwoo Choi 博士，以及庆熙大学（Kyung Hee University）的Changyeon Won教授领导。

  研究人员构建深层神经网络，并利用机器学习算法和现有磁畴图像对其进行训练。结果表明，输入通过电子显微镜获得的自旋结构图像，可以实时估计磁哈密顿参数。此外，与实验得到的参数值相比，人工智能系统的估计误差小于1%，具有较高的准确度。据该团队介绍，利用所开发的人工智能系统，可以通过深度学习技术，即时完成材料参数评估过程。以前完成这一过程需要数十个小时。

  KIST的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。预计使用这种新方法，通过人工智能技术研究物理系统，将缩小实验值和理论值之间的差距，并将进一步融合人工智能技术和基础科学研究，拓展新的研究领域。”