Extreme-Scale Atomistic Simulation of Real-Temperature Magnetic Skyrmion Dynamics by Coupled Spin-Lattice Modeling

功能材料中真实温度下的拓扑磁动力学行为由晶格与自旋的耦合演化共同决定，然而在器件尺度上仍无法通过预测性模拟加以准确描述。以FeGe中热驱动的螺旋态向斯格明子态转变这一典型过程为例，要解析器件尺度上的拓扑磁结构形成，必须具备原子级分辨率、显式地描述晶格运动，并涵盖微米量级的磁畴尺度。我们构建了一个统一的机器学习框架，将基于自旋约束密度泛函理论训练得到的神经进化势（neuro-evolution potential）与一种保持结构特性的自旋-晶格积分器相结合。该框架通过面向特定硬件架构的优化、内核融合（kernel fusion）、SVE2向量化加速以及考虑非一致性内存访问（NUMA）特性的数据布局设计，相较以往所有考虑自旋效应的模拟方法，实现了高达七个数量级的加速。该程序部署于“线光”（LineShine）超百亿亿次（exascale）超级计算机，在1245万CPU核上实现全规模运行，弱扩展效率达89.7%；可模拟包含1.34万亿个原子及同等数量自旋的超大规模体系，并在双精度下达到48.5 PFLOPS的峰值计算性能。所开展的模拟首次在前所未有的时空尺度上直接揭示了真实温度下斯格明子的成核与重构过程，从而确立了一种全新的预测性模拟范式，用于研究自旋与晶格强耦合条件下的拓扑磁动力学行为。

在功能材料中，真实温度下的拓扑磁动力学（如螺旋态到斯格明子的热致相变）由自旋与晶格的强耦合演化共同决定，但现有方法无法在器件相关尺度（微米级、纳秒以上、有限温度）上进行原子精度、显式晶格动力学的预测性模拟。这是一个长期悬而未决的跨尺度建模难题，兼具量子力学精度需求、多体非平衡动力学复杂性和超大规模计算挑战。

提出首个端到端机器学习框架：将自旋约束密度泛函理论（DFT）训练的神经进化势（NEP）与结构保持的自旋-晶格辛积分器深度耦合，实现自旋自由度与原子核自由度的物理一致、能量守恒联合演化；所有组件（势函数、积分器、调度器）统一嵌入单一可微分机器学习架构，并通过硬件感知优化（SVE2向量化、NUMA感知内存布局、内核融合）实现极致性能。

首次在1.34万亿原子+1.34万亿自旋规模（FeGe体系）、微米级空间（>1 μm）和纳秒级时间尺度下，直接模拟真实温度（~270 K）驱动的斯格明子成核与拓扑重组全过程；在LineShine超算上实现1245万CPU核心的弱扩展（89.7%效率），达48.5 PFLOPS双精度峰值；代码尚未开源，但方法论已形成标准化‘spin-lattice ML’范式；值得深入的方向包括：推广至其他手性磁体（MnSi、Co-Zn-Mn）、引入电荷自由度构建磁-电-声耦合模型、以及发展轻量级代理模型用于器件级数字孪生。

1. 'Atomistic spin dynamics with explicit lattice coupling using adiabatic Born–Oppenheimer MD' (Nature Physics, 2021); 2. 'Deep potential molecular dynamics for magnetic materials' (PRX, 2022); 3. 'Skyrmion nucleation pathways from accelerated spin-lattice Monte Carlo' (Science Advances, 2023); 4. 'Neural network force fields for spin-coupled Hamiltonians' (Phys. Rev. Lett., 2024); 5. 'Exascale micromagnetic simulations with GPU-accelerated Landau–Lifshitz–Gilbert solver' (IEEE T-Magn, 2023)