用于神经形态计算应用的多层铁磁自旋电子设备
Aijaz H Lone1, Xuecui Zou1, Kishan K Mishra1
1Division of Computer, Electrical and Mathematical Sciences and Engineering (CEMSE), King Abdullah University of Science and Technology (KAUST), Saudi Arabia. aijaz.lone@kaust.edu.sa.
Nanoscale
|June 21, 2024
概括
研究人员开发了一个用于神经形态计算的自旋电子设备,展示了交互的多层电阻切换的突触重量. 这项技术在MNIST数据集上达到90%以上的准确性,显示了节能硬件神经网络的前景.
科学领域:
- 螺旋电子学和神经形态计算
- 铁磁薄膜是一种铁磁薄膜.
- 固态物理 固态物理
背景情况:
- 斯宾特朗设备为内存,逻辑和非常规计算提供了节能解决方案.
- 神经形态计算旨在模仿人类大脑的结构和功能.
- 多层抵抗状态对于有效的突触重量表示至关重要.
研究的目的:
- 通过实验和计算实现用于神经形态应用的多层铁磁螺旋电子装置.
- 研究这些设备在硬件神经网络中的可扩展性和性能.
- 为了展示该设备对节能人工智能的潜力.
主要方法:
- 多层铁磁自旋电子装置的制造和表征.
- 使用磁道连接 (MTJ) 配置进行缩放设备 (宽度低至64nm) 的微磁模拟.
- 实施一个可变的脉冲振幅方案,以改善重量线性.
- 在MNIST数据集上训练和测试神经网络,使用自旋电子设备作为突触权重.
主要成果:
- 该设备表现出温度依赖,磁场和电流控制的多层电阻状态切换.
- 模拟显示可扩展性到64nm宽度,能量消耗为1.23fJ的强化/压缩.
- 使用这些设备的3层完全连接的神经网络在MNIST数据集上实现了超过90%的识别准确性.
- 拟议的波动脉冲振幅变化方案增强了突触重量线性.
结论:
- 开发的多层自旋电子设备显示了节能神经形态计算应用的巨大潜力.
- 设备的多层电阻状态有效地作为硬件神经网络中的突触权重起作用.
- 可扩展性和高识别精度证明了用于人工智能的自旋电子设备的实际可行性.
