금속 자성체는 전자적으로 생성된 상호작용에 의해 지배되는 복잡한 스핀 역학 (spin dynamics)을 나타냅니다. 이러한 역학에 대한 예측 시뮬레이션은 일반적으로 시간 진화 과정 전반에 걸쳐 기저의 전자 문제 (electronic problem)를 반복적으로 해결해야 하며, 이는 주요한 계산 병목 현상을 야기합니다. 본 연구에서는 전자 계산으로부터 이동성 스핀 역학 (itinerant spin dynamics)을 지배하는 유효 자기 에너지 범함수 (effective magnetic energy functional)를 직접 학습하는 그래프 신경망 (GNN) 자기 힘의 장 (magnetic force-field) 프레임워크를 소개합니다. 머신러닝 기반 원자 간 포텐셜 (interatomic potentials)과 개념적으로 유사한 이 제안된 프레임워크는 이동성 전자 (itinerant electrons)에 의해 생성되는 비선형적이고 공간적으로 확장된 상호작용을 포착하는 동시에 스핀 토크 (spin torques)의 효율적인 평가를 가능하게 합니다. 우리는 공선형 (collinear), 비공선형 (noncollinear) 및 비공면 (noncoplanar) 자기 질서를 보이는 대표적인 금속 자성 시스템에서 이 방법을 벤치마킹합니다. 학습된 힘의 장은 전자적으로 생성된 스핀 토크를 정확하게 재현하며, 직접적인 전자 시뮬레이션과 매우 잘 일치하는 비평형 스핀 역학 (nonequilibrium spin dynamics)을 산출합니다. 우리의 결과는 그래프 신경망 (GNN)이 머신러닝 기반 자기 힘의 장을 위한 강력한 프레임워크임을 입증하며, 다양한 길이 및 시간 척도에 걸친 비평형 자성 (nonequilibrium magnetism)의 예측 가능한 대규모 시뮬레이션을 향한 경로를 제공합니다.