《中国科学：物理学 力学 天文学》英文版(SCIENCE CHINA Physics, Mechanics & Astronomy, SCPMA)出版南京大学刘荣华教授团队成果，文章题为“Stochastic spin-orbit-torque device as the STDP synapse for spiking neural networks”，于2023年第66卷第5期刊出。
目前，人工智能技术已渗透到人们生活生产的各个方面，然而随着其高速发展，传统冯·诺依曼架构计算机已经难以满足其庞大的计算量要求。近期，受人脑学习方式的启发，基于各类物理器件构建的神经形态计算硬件在人工智能领域受到了广泛关注。在众多的人工神经网络模型中， 脉冲神经网络展现出低能耗和高并行率的特性。拥有短时记忆效应、亚纳秒尺度非线性磁动力学和随机翻转行为的纳米自旋电子器件，可以用来构建循环神经网络和脉冲神经网络硬件。相比于传统的自旋转移矩，近期发现的自旋轨道矩可以使自旋电子器件实现更长的使用寿命和更快的写入速度，因此，自旋轨道矩器件受到学术界和工业界青睐。
脉冲神经网络中的神经元之间是基于众多突触传递离散脉冲序列进行通信的，突触权重可以根据与突触连接的前后神经元的激发状态进行调整，即突触具有可塑性。本文介绍了在一类低功耗自旋轨道矩器件中，通过研究电流诱导的自旋轨道矩效应和焦耳热效应，发现器件存储层磁矩的随机翻转概率（对应于电导率）随输入脉冲电流及其时间间隔成指数衰减关系，即时间间隔越长，随机翻转概率越低。为了演示该类自旋轨道矩器件能模拟人脑神经突触可塑性，本文进一步基于该自旋器件构建了两种人工脉冲神经网络，分别进行了手写数字识别的无监督学习（准确率高达80%）和逻辑运算的学习。该工作为如何运用新型低功耗自旋电子器件实现神经形态计算硬件提供了新的思路和具体方案。
创新要点：
本文利用自旋轨道矩器件中电流驱动存储层磁矩随机翻转和其温度特性实现了人工突触。由于存储层磁矩的随机翻转概率随输入脉冲电流及其时间间隔变化，其构建的人工突触的可塑性可以由存储层磁矩方向对应的霍尔电阻变化实现。基于该类自旋人工突触，研究人员构建了两种脉冲神经网络硬件原型，实现了非监督的手写数字识别和逻辑运算学习。
原文信息：
H. Li, L. Li, K. Zhou, C. Yan, Z. Gao, Z. Li, and R. Liu, Stochastic spin-orbit-torque device as the STDP synapse for spiking neural networks, Sci. China-Phys. Mech. Astron. 66, 257512 (2023), https://doi.org/10.1007/s11433-022-2081-5
近期评论