突触又一Nature子刊大作！自旋电子神经网络？

以下文章来源于Artificial Synapse ，作者Synapse

研究背景

人工智能(AI)的最新进展有赖于训练深度神经网络的能力，这种网络可以一层一层地创建出越来越多有意义的输入表示。在这些模型中，神经元对上一层神经元的输出进行加权求和，其中每个权重代表一个突触，然后对该和应用非线性函数。神经形态计算试图通过纳米级人工突触和神经元在芯片上重现这种受大脑启发的多层架构和操作，以便在最接近计算元件的地方放置大量内存，从而加快计算速度，并将总体能耗降低到目前硬件处理器的几个数量级 。

自旋电子学具有实现这一目的的基本特质，因为其旗舰元件--磁隧道结(MTJ)--具有很高的耐久性，并在主要代工厂的 CMOS(互补金属氧化物半导体)生产工艺中集成了大量存储器。近年来，自旋电子学的关键效应(如磁化动力学和自旋电荷转换) 已被结合在一起，产生了大量不同的自旋电子纳米突触和具有多种功能的纳米神经元。通过瞬态动力学或同步化等大脑启发过程，小型振荡 MTJ 组合的丰富动态已被用于识别口语单词，其准确度相当于软件识别的准确度。然而，要实现其承诺，这些动态纳米器件必须像大脑和最先进的算法一样，密集地连接到神经网络中，神经网络采用非线性神经元的多层结构，通过突触连接，对神经元的输出进行加权求和。

研究成果

自旋电子纳米突触和纳米神经元凭借其丰富、可重现和可控的磁化动态，能够高精度地执行神经网络操作。这些动态纳米器件只要能实现最先进的深度神经网络，就能改变人工智能硬件。然而，目前还没有一种可扩展的方法将它们连接成多层。在这里，巴黎萨克雷大学Frank Alice Mizrahi   & Julie Grollier教授团队展示了自旋电子学的旗舰纳米元件--磁隧道结，可以连接到多层神经网络中，通过磁化动力学实现突触和神经元，并通过处理、发射和接收射频信号进行通信。我们构建了一个硬件自旋电子神经网络该网络由连接在两层的九个磁隧道结组成，并证明它能对非线性可分离射频输入进行本机分类，准确率高达 97.7%。通过物理模拟，我们证明了一个大型纳米级结网络可以从无人机的射频传输中实现最先进的识别，无需数字化，耗电量仅为几毫瓦，与目前使用的技术相比，功耗提高了几个数量级。这项研究为深度、动态、自旋电子神经网络奠定了基础。相关研究以“Multilayer spintronic neural networks with radiofrequency connections”为题发表在最新的Nature Technology期刊上。

图文导读

Fig. 1 | Building blocks of multilayer RF/d.c. spintronic neural networks.

Fig. 2 | Experimental demonstration of neurons-to-synapses interconnection.

Fig. 3 | Experimental demonstration of the spintronic neural network.

Fig. 4 | Drone classification by direct processing of their RF emissions.

总结与展望

总之，作者展示了一种由 MTJ构成的多层自旋电子神经网络，该网络通过射频和直流之间的连续转换相互连接。这种方案是自旋电子器件交叉条几何形状的一种有前途的替代方案可用于构建低功耗、密集互连的大规模神经网络。通过仿真证明，与标准方法相比，扩大的网络能以更低的能量对射频信号进行本机分类，在电信、医疗、自动驾驶汽车和交通管理等领域有着重要的应用前景。此外，这些网络的内在动态性为利用物理效应进行学习的算法在芯片上训练这些网络提供了令人兴奋的机会。

文献链接

Multilayer spintronic neural networks with radiofrequency connections

https://doi.org/10.1038/s41565-023-01452-w

转自：“i学术i科研”微信公众号

如有侵权，请联系本站删除！