8、基于磁隧道结和斯格明子的神经形态计算

基于磁隧道结和斯格明子的神经形态计算

1. 磁隧道结在神经形态计算中的应用

在人工神经网络（ANN）中，每个神经元都由一个传递函数（激活函数）来表征。根据接收到的突触加权输入信号，神经元可以产生一个输出信号，并通过轴突将其作为输入传递给与之相连的其他神经元。传递函数通常可分为两类：阶跃传递函数和非阶跃传递函数（如线性和Sigmoid函数）。

1.1 人工神经设备

• 阶跃传递函数 ：可以由单个磁隧道结（MTJ）器件来模拟。例如，一个具有两步切换方案的自旋轨道矩磁隧道结（SOT - MTJ）器件可作为“阶跃”神经元。第一步，在重金属层（HM）的B和C端子之间施加电荷电流（Iclock），诱导自旋轨道矩（SOT）使自由层（FL）的磁化方向沿其硬轴（即±y轴）排列。第二步，该神经设备接收端子A和C之间的合成突触权重电流作为写入电流（Iwrite），此电流流经MTJ并施加自旋转移矩（STT），使FL的磁化方向沿其易轴（即±z轴）排列。根据Iwrite的极性，SOT - MTJ可以切换到两种不同的稳定电阻状态，分别代表“阶跃”神经元的二进制输出。
• 非阶跃传递函数 ：对于复杂的模式识别任务更具吸引力，因为可以在神经元的输出中编码更多信息。
  • 复合自旋电子突触（CSS） ：可以实现多步传递函数。理想情况下，具有N个堆叠MTJ的CSS可以实现（N + 1）步传递函数。基于CSS的神经电路（CSN电路）涉及三个操作阶段：编码阶段、读取阶段和重置阶段。在编码阶段，合成突触加权电流Isynapse被编码到CSN的电阻状态中