我最早用 Mumax3 做磁涡旋动力学是 2017 年的事。第一天晚上信心满满地把示例脚本改好丢进 GPU 跑第二天早上起来看到table.txt里一排 NaN整个人是懵的。后来把.mx3文件的每一行都研究明白又经历了不知道多少次材料参数扫描才慢慢形成了一套从基础设置到参数优化都能直接复用的代码模板。这篇博文不打算搞教科书式的面面俱到就实打实地记录我现在最常用的一套 Mumax3 模板——从网格、材料参数定义到批量扫描优化的完整套路。不管是刚装好 Mumax3 还没跑通第一个算例的新手还是已经会跑自旋波但被参数拟合折磨的进阶用户这篇文章都能给你一套能直接改、能批量跑的方案。1. 真正开始写 mx3 之前先把模型想清楚1.1 Mumax3 定位为什么脚本化模拟更适合调参很多第一次接触微磁学模拟的人看到 Mumax3 没有图形界面第一反应是抗拒。但从材料参数优化这个核心需求来看命令行脚本恰恰是最合适的形态。一个.mx3文件就是一次算例的完整描述网格怎么设、材料参数是多少、初始磁化长什么样、外场怎么扫描全部用手写代码控制。这意味着你可以把这套文件放进 Git 里管版本可以写脚本批量生成几百个不同参数的算例也可以直接把文件发给合作者复现结果。如果你经历过用图形界面软件做参数扫描大概能理解我在说什么鼠标点几十次设置一个算例换一组材料参数再点几十次扫描十个参数点就已经是体力活了。而 Mumax3 里你要做的只是把一个模板文件里的Ms : 800e3替换成另一行然后丢给 GPU 跑。这种差异在单次模拟中不明显但一旦进入多参数扫描阶段脚本和 GUI 的效率差距是指数级的。1.2 网格尺寸与交换长度这是避免“假结果”的第一道闸setgridsize(Nx, Ny, Nz)决定三个方向的网格总数setcellsize(dx, dy, dz)决定每个单元的实际物理尺寸二者相乘才是模拟区域的真实大小。这里新手最容易犯的错是只盯着“网格细不细”却忘了单元尺寸相对于特征磁长度是否合格。微磁模拟里最核心的特征长度是交换长度l_ex ≈ sqrt(2*Aex / (mu0 * Ms^2))我经常举一个具体例子设Aex 1.3e-11 J/m、Ms 800e3 A/m代入后mu0 4*pi*1e-7算出来大约是 5.7 nm。这意味着如果你的单元尺寸超过 5 nm磁化矢量在一个单元内部的连续非均匀翻转就会被硬性平均掉模拟出来的畴壁宽度、涡旋核尺寸都可能失真。我个人的习惯是单元尺寸取交换长度的二分之一左右至少不能超过交换长度本身。顺便说一句不要盲目把网格数加得很高。512 × 512的二维系统已经是 26 万单元如果做三层厚度就要 78 万再翻一维就是几百万单元。显存和计算时间都会快速涨上去。正确顺序是想清楚物理上需要解析的最小结构再倒推单元尺寸和网格数。1.3 内存预算先跑通二维再加厚度方向Mumax3 虽然基于 GPU 加速但显存始终是硬约束。每个单元内部会存磁化分量、有效场、能量密度、时间步进中间变量等多份浮点数组按照我的从业经验粗略估计一个单元大约占用 100 字节级别的 GPU 显存实际开销还会随输出字段和外场定义增加。刚开始做参数扫描时最好按两倍余量来规划算例规模。所以我在接新课题时有一个固定习惯第一步永远先用Nz1的准二维模型把脚本流程跑通确认物理趋势合理、输出文件能正常读取再决定要不要加厚度方向。厚度方向一旦加上网格数几乎是线性倍增的而后处理复杂度也是成倍上升。把二维模型作为“开发环境”来用整个参数优化流程会稳很多。2. 一份能直接运行的基础模板逐行拆解2.1 骨架代码从网格到材料常量的标准写法话不多说先给出我现在最常用的基础模板。这段代码描述的是一个矩形软磁薄膜初始磁化全部指向 x 方向// 基础模板骨架单位为 SI setgridsize(512, 512, 1) // 三个方向的网格数 setcellsize(2e-9, 2e-9, 5e-9) // 每个单元尺寸单位 m // 材料参数 Ms : 800e3 // 饱和磁化强度单位 A/m Aex : 1.3e-11 // 交换刚度单位 J/m alpha : 0.02 // Gilbert 阻尼系数 K1 : 0.0 // 单轴各向异性常数单位 J/m^3 anisU vector(1, 0, 0) // 各向异性轴归一化方向 // 外场初始为 0 B_ext vector(0, 0, 0) // 初始磁化全部指向 x 方向 m uniform(1, 0, 0) // 能量极小化让系统先到达静态态 relax() // 输出控制 tableadd(M) tableadd(m) tableadd(E_total) tableadd(E_exch) tableadd(E_demag) save(m) save(heff) // 动力学演化 run(1e-9)这里:是 Mumax3 定义常量的语法和普通赋值不太一样。常量定义后可以在脚本后面继续引用。anisU是各向异性轴的方向配合K1使用。一个非常容易踩的坑是只设置了K1却没设置anisU模拟结果完全看不出各向异性因为轴向不是你以为的那个方向。我习惯把anisU明确写出来即使K10也让后续读代码的人一眼知道这个轴的设定。2.2 初始磁化和外场怎么从一个“确定的出发点”开始uniform(1, 0, 0)是最常见的初始磁化写法含义是归一化磁化方向指向 x。初始化方式要配合优化目标来选如果你关心的是静态能量极小态从均匀磁化出发只能到达附近的一个局部极小态如果你想看磁化翻转更不能每个外场点都从同一个均匀初始态重新开始那样会忽略磁滞的历史效应。正确做法后面讲磁滞回线时会详细说。另一个很实用的初始化是m random(seed)生成一组随机磁化结构。固定 seed 后结果可复现很适合做多初始态统计。比如寻找多稳态结构时我会同时跑多个随机种子把最终停留的不同能量极小态找出来看看哪些状态是稳定的哪些其实只是数值假象。外场通过B_ext vector(Bx, By, Bz)设置单位是特斯拉。对比一下很多微磁软件喜欢用 A/m 记场Mumax3 里尖峰谱量用特斯拉转换关系是B mu0 * H别弄混。关掉外场就写vector(0, 0, 0)。还有一个细节Mumax3 求出的是B_eff有效场不是H_eff保存场文件时也要注意单位含义。2.3 弛豫、运行、输出理解 relax()、run()、tableadd()、save() 的配合relax()让磁化在 LLG 方程驱动下向能量极小态演化到达平衡后自动停止。它底层是真实的时间积分所以阻尼系数alpha直接决定收敛快慢。这里有个常见误解不少人以为relax()是某种直接能量最小化算法其实它走的是动力学路径初始磁化不同最后可能停在不同的局部极小态。参数优化里要意识到这一点同一个relax()结果可能只是某个吸引域里的极小值。run(t)是显式的时间推进单位秒。静态磁滞回线只需要 relax 后采集数据动态问题比如畴壁运动、自旋波传播就必须用run来观察完整时间过程。我见过有人为了算静态结构写了很长的大run其实全是用动力学演化在慢慢磨效率远不如relax()。tableadd()添加的变量会逐时间步写入table.txt体积小适合看趋势、对比参数。save()保存的是空间分布的.ovf文件适合做空间分析。一个容易混淆的点save(m)保存的默认是归一化磁化方向 m分量范围在 -1 到 1 之间不是 A/m 为单位的实际磁化强度。想拿到真实磁矩数据我习惯同时save(m)和save(M)反正.ovf文件也不大后处理时再选需要的。3. 材料参数优化的底层逻辑与灵敏度判断3.1 你是“调参”还是“拟合”先想清楚目标函数材料参数优化这个词很容易被理解成“把数字调来调去试到结果对”。这种思路不是完全错但在效率和无偏性上都很欠缺。我后来把工作方式划分成两种一种是“合理值验证”一种是“反问题拟合”。合理值验证是你在文献范围内选几组参数看模拟现象是否定性地复现实验或理论预期。比如你研究磁涡旋换了几个 Aex 值发现核心尺寸变化趋势符合预期那就算验证通过。反问题拟合则要明确一个目标函数比如“模拟磁滞回线与实验测量值的均方误差最小”或者“拓扑荷随外场变化的临界场最贴近”。然后系统地在参数空间内搜索。哪怕是用最笨的网格扫描也比拿鼠标一遍遍试强得多。实际做拟合时还要注意参数相关性。Aex和Ms都会影响有效交换长度如果你同时把两个都放开乱扫很容易陷入一组非物理参数组合却拟合得挺好。我的经验是先固定Ms单独扫Aex固定Aex后再扫K1最后再验证整组参数是否稳定。3.2 Aex、Ms、K1、D 的物理敏感度对照参数优化前先搞清楚每个参数主要影响哪些量可以减少大量无效算例。下面这张表是我平时自己用的参数单位主要影响典型量级MsA/m退磁场能、Zeeman 能、交换长度500k – 1000kAexJ/m交换长度、畴壁宽度、涡旋核尺寸1e-12 – 2e-11K1J/m^3各向异性场、磁滞回线形状和矫顽力1e3 – 1e6alpha无弛豫速率、动态响应、自旋波衰减0.002 – 0.05DJ/m^2界面 DMI、斯格明子手性和尺寸0.5e-3 – 4e-3这里面Ms通常是最容易从实验直接获得的参数比如用 VSM 或 SQUID 测量。它不该作为拟合自由参数到处乱扫。Aex很难从常规实验直接定量所以很适合做优化。K1和磁滞回线的方形度、矫顽力强相关是矫顽力拟合里的关键变量。alpha则要分场景静态结构优化时把 alpha 调大可以加速收敛但动态研究比如自旋波传播就不能随便调否则衰减系数全被改掉了。3.3 文献参数移植里的三个陷阱把文献里的材料参数搬进 Mumax3 时有几个坑我踩了不止一次。第一个是单位制陷阱。Mumax3 默认 SI但不少老文献用 CGS/emu。CGS 下的磁化强度写到 SI 模拟里数值上有时碰巧接近但能垒、能量密度的换算涉及 4π 因子不是机械替换就能过关的。我的习惯是每引入一个参数都从头到脚用 SI 复算一遍包括中间推导量。第二个是温度差异。文献给的材料参数可能来自低温测量也可能来自室温。磁性材料参数强烈依赖温度尤其是 Ms 和 K1。你从一篇 4K 测量文章里抄参数拿到 300K 的模拟里用矫顽力对不上是正常的。参数优化时要把参数理解为“当前模拟温度下的等效参数”而不是绝对微观常数。第三个是维度和界面状态。薄膜样品的有效参数和块材参数不同界面 DMI 更是依赖多层膜界面质量。有人从三维块材文章里搬来参数然后套到厚度只有 1 nm 的薄膜模拟中发现明显不对。出现这种情况先别怀疑 Mumax3 算错了而是要把这套参数当成该几何条件下的“等效模型参数”重新审视。4. 批量扫描与自动寻优的完整代码套路4.1 用 Python 生成参数扫描任务的模板进入参数扫描阶段后我基本不会手动去改.mx3文件而是用 Python 脚本生成任务。思路很简单先准备一个带占位符的模板字符串再循环填入不同参数并调用mumax3命令import subprocess template setgridsize(128, 128, 1) setcellsize(3e-9, 3e-9, 5e-9) Ms : {Ms} Aex : {Aex} alpha : 0.02 m uniform(1, 0, 0) B_ext vector(0, 0, 0) relax() tableadd(M) tableadd(m) tableadd(E_total) save(m) for Ms in [600e3, 700e3, 800e3, 900e3]: code template.format(MsMs, Aex1.3e-11) fname fscan_Ms_{int(Ms/1e3)}k.mx3 with open(fname, w, encodingutf-8) as f: f.write(code) subprocess.run( [mumax3, -cache, /tmp/mumax3cache, fname], checkTrue, )这个套路可以扩展到任何参数。值得提醒的是文件名里不要写科学计数法的小数点比如直接把800.0k写进文件名不同文件系统处理小数点的规则不一样容易出现莫名其妙的路径问题。用800k这样可读性高的名称更安全。如果你不想用外部 Python 管理Mumax3 脚本本身也支持循环和条件结构。比如可以在.mx3内部用for块做简单的场扫描。不过我个人更倾向于外部脚本控制因为后续还要统一收集数据、出图用 Python 连贯性更强。4.2 从 table.txt 里提取能量和磁化结果跑完一批算例后每个目录下都会生成table.txt列名写在第一行分隔符通常是一个或多个空格。直接用 pandas 读取非常方便import pandas as pd df pd.read_csv(table.txt, sep\\s) print(df.columns) print(df[[t, mx, my, mz, E_total]].tail())注意不同版本里列名可能有差异。有的版本平均磁化写mx, my, mz有的版本可能是m.x, m.y, m.z。我给出的那个脚本不是标准库里某个固定包但读文件后先打印df.columns永远是好习惯不要直接写死列名。E_total是体系总能量单位焦耳。如果你想比较不同材料参数下磁结构的相对稳定性最直接的做法是能量差。比如两个模拟最终态能量分别是 E1 和 E2数值直接相减就能判断哪个更稳定。但要注意局部极小态的简单对比并不代表全局稳定最好额外做多初始态测试。4.3 实例扫描外场时得到一条可对比的磁滞回线磁滞回线是参数优化里最常见的基准。想得到一套能对比实验的回线核心原则是“从饱和态连续升降场”保留磁化历史的记忆效应。下面这段.mx3代码能在 Mumax3 内完成从正饱和到负饱和再到正饱和的全过程B_ext vector(1.0, 0, 0) relax() for Bx : 0.9; Bx -1.0; Bx - 0.1 { B_ext vector(Bx, 0, 0) relax() save(m) } for Bx : -0.9; Bx 1.0; Bx 0.1 { B_ext vector(Bx, 0, 0) relax() save(m) }这段脚本中每一步都在上一步磁化状态基础上继续弛豫所以能自然反映出翻转场滞后。跑完后从table.txt里取每个场的磁化 x 分量做横纵坐标就能画出一条漂亮的磁滞回线。如果具体版本对内置循环支持不太好退回到用外部 Python 循环每步生成一个 mx3 文件也行逻辑完全一致。我个人经常用外部循环因为每步之间还能插入额外的后处理比如计算拓扑荷密度。4.4 我给 AI 帮忙改代码时的提示词模板最近几年大家喜欢把.mx3代码丢给大语言模型帮忙改。这事情本身没问题但不加约束直接问“帮我改一下代码”模型十有八九会把单位改错或者把:写成。我现在让 AI 改 Mumax3 代码时会套一个固定结构自己有个类似提示词模板的东西你是一名熟悉 Mumax3 微磁模拟的研究者。 任务修改下面这段 mx3 代码[具体需求]。 约束不要修改网格尺寸、单元尺寸、Ms、Aex、初始磁化方向 如果必须修改请先说明物理原因。 输出要求输出完整可运行的 mx3 代码并用注释标出你改动的位置。这个模板的精髓是“先划清不可动区间再让模型说明改动理由”。对于微磁模拟这种学科交叉很强、参数因果链很长的场景盲改代码的风险远比普通软件脚本大得多。我用了很长时间确实能明显减少模型给的“看似能跑实则物理离谱”的答案。5. 我在参数优化过程中踩过的坑5.1 显存不足与速度骤降的排查链路参数扫描中我碰到最多的报错之一就是把Nx、Ny一加程序直接报显存不足。下面是一条完整的排查链路照着做基本能定位先算总网格数Nx*Ny*Nz。比如512×512×1是 26 万单元1024×512×1是 52 万单元。网格数与显存开销基本线性相关翻一倍显存需求也跟着翻。暂时把Nz改成 1 跑一次。如果二维能跑三维不行问题就出在厚度方向那就优先减薄厚度方向的网格数。网格没变但速度骤降多半是显存被其他进程占用。用nvidia-smi看看 GPU 使用率有时候是之前挂掉的 mumax3 进程还残留在显存里。Mumax3 偶尔会在 GPU 内核编译缓存上出问题表现为启动卡住或者闪退。这时候在命令里加-cache /tmp/mumax3cache往往能解决。显存优化方面优先削减对结果影响最小的维度。比如一个长条带结构x 方向需要解析的细节多y 方向变化平缓那网格加密就集中加在 x 方向而不是均匀加密两个方向。5.2 NaN、能量不下降、结果跳变的完整定位过程table.txt里出现 NaN 是我刚用 Mumax3 时最头疼的问题。后来整理出一套顺序基本能快速定位先检查网格。setgridsize每个方向是不是正整数setcellsize每个方向是不是正数单元尺寸是不是远小于交换长度。网格尺寸过大会导致离散梯度不可控数值上直接发散。再检查材料参数。看看 Ms、Aex 有没有单位换算错误alpha 是不是不小心设成负数。然后关掉外场把 B_ext 设成 0跑一个最干净的 relax。如果这样还出 NaN那问题几乎肯定在网格或材料本身。如果只有某一步出现 NaN而前后步正常那多半是磁化路径经过了某个不稳定的鞍点动态过程在这附近数值梯度巨大。这种情况我会在当前磁化状态上加一个微小的随机扰动或者限制这一步的最大时间步长让磁化缓慢离开鞍点。“能量不下降”的坑则是另一回事。我遇到过模拟跑了很久E_total迟迟不节省的情况看起来像卡住其实根本没到收敛判据。有的复杂磁结构需要极长的弛豫时间尤其是阻尼调得很低的时候。这时候不是怀疑代码有 bug而是要把阻尼暂时调大加速收敛或者直接多跑一段真实时间看看趋势。结果跳变的问题也很典型。比如扫描外场到某个值磁化突然从 x 翻到 -x在回线图上表现为断崖。这种情况先别急着调参数要确认是不是该处发生了真实翻转。一个验证方法是在翻转场附近把场步长改小看看翻转是不是逐渐演化过来的。如果翻转场随步长剧烈移动那就是延迟翻转效应需要用更慢的扫描确认真实矫顽力。5.3 和实验对不上的时候先去怀疑什么材料参数拟合里大量时间花在“模拟和实验对不上”这件事上。我个人的排查顺序是几何 温度 参数本身。第一条绝对是几何形状。实验样品边缘有粗糙度、圆角甚至内外部应力分布不均匀都会明显改变翻转路径和矫顽力。模拟里一个完美矩形和带圆角矩形之间的矫顽力差别可能达到百分之几十。所以参数拟合之前先把样品形状从 SEM 图里抠出来做成 mask 导进去很多时候不用调参数结果就比完美几何好不少。第二条是温度效应。Mumax3 等有限差分微磁模拟默认相当于 0 K实验几乎是室温。温度会引起热扰动辅助翻转使实验矫顽力低于零温模拟。有人喜欢通过调高阻尼或加随机场来近似模拟温度效应这只能算非常粗的代理不能当成真正的有限温度模拟。如果要严格对实验建议用有限温度微磁或直接接受零温结果与实验之间存在系统性偏差。第三条才轮到材料参数本身。如果你确定几何和温度都不是主因再回到 Ms、Aex、K1 的合理范围里做系统扫描看看哪个参数对关键观测量最敏感。6. 收尾我沉淀下来的参数优化习惯写到最后分享几个我现在做任何 Mumax3 参数优化都会遵循的习惯。第一个是建立“最小可跑模板”思维。不管从头开始一个新体系还是拿到别人一堆代码我都会先整理出一个只保留网格、材料参数、初始磁化、relax、save 的最小模板确认能跑通再逐步加 table、外场扫描、输出能量等要素。这样即使后期参数改到飞起也随时能退回一个干净版本。第二个习惯是所有参数都写在文件头部并且命名规范统一。这样无论是外部 Python 脚本替换还是半年后回来重新读代码都能一眼看出哪些是可变参数、哪些是模型地基。我见过不少人把参数散落在脚本中部每次找起来都像寻宝。第三个习惯是每次批量扫描前先列一个参数日志记录日期、扫描对象、网格设置、参数范围、跑完后对应的关键结果文件路径。听起来很麻烦但等你同时跑了几百组算例再遇到需要找出“到底哪一组对应哪张图”的时候这个日志就是救命稻草。第四个习惯是不要在参数优化过程中轻易相信单次模拟的“最优解”。多从几个不同随机初始态出发对比最终态能量和结构才能辨别哪些结果是真的物理稳定态哪些只是某个吸引域里的偶然停留。材料参数优化这件事说到底是用模拟做可控实验只有每一步都可复现、可追溯最后拟合出来的参数才有实际参考价值。