《表I.自旋霍尔纳米振荡器的可选材料体系》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自旋霍尔纳米振荡器的非线性动力学及其应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

近年来，自旋力矩磁畴型忆阻器和纳米自旋振荡器因其高速、低功耗优势，已被用于构建人工智能应用所需的人工神经网络[48-51]。储备池计算模型结构简单、训练高效，是一种训练循环神经网络的新型计算方法，其中心思路是只训练网络内部节点权重，其外部输入和输出连接权重一旦产生就不再改变，其网络训练一般只需要求解线性回归问题，因此，其训练相对于传统递归神经网络更加高效简单。另外，储备池计算模型具有随机而固定的网络节点，便于硬件实现，已发展为神经形态计算硬件芯片领域中的一个重要方向[45]。2017年，Grollier等人利用隧道结磁涡旋型纳米振荡器的非线性和驰豫效应构建了一个时间序列型储备池计算硬件，并利用数字语音识别任务对其性能进行了测试，其实验结果表明这类由单个纳米振荡器构建的时间序列神经网络在十个数字语音识别任务中，其识别率高达80%，如果再添加一个非线性人工耳蜗滤波器可以把识别率提升到99.6%[50]。2018年，Grollier等人又基于4个相互耦合的自旋振荡器的频率同步效应，组建了一个能自我实时学习的自旋硬件神经网络，实现了音频元音的识别任务[52]。2019年，刘荣华课题组基于微磁模拟构建了斯格米子磁畴型忆阻器和24个独立自旋振荡器组成的储备池神经网络，并分别对手写数字和二阶及十阶非线性动力学系统进行了识别和预测，且识别正确率高达88%，预测方差NMSE小于0.0013[45]。2020年，Akerman等人基于平面结构的自旋霍尔纳米振荡器设计出了一类4×4的二维阵列，通过磁电耦合效应实现了与外部微波信号同步操作，并实验探讨了此类可调非线性动力学同步行为在非冯诺伊曼架构的类脑计算方面的应用[43]。这类自旋类脑神经网络的原理示意图如图9 （a）所示：与生物神经网络类比，四个自旋霍尔纳米振荡器链在两种外加微波信号fA和fB的激励下可实现邻近自旋振荡器之间耦合和同步，从而实现自旋类人工神经元之间的交互和信息传递。图9 （b）是这四个自旋霍尔纳米振荡器链在一种外界微波信号fA激励下的频率同步响应谱图。图9 （c）是在两列不同微波信号fA和fB同时作用下的同步响应谱图。上述这些同步响应行为还可以通过外加磁场和电流进行调节，进而在二维空间人工神经网络中实现信息处理和传递，满足更加复杂的问题或系统的计算或预测任务。纳米自旋电子器件兼备计算和存储双重功能，其非线性动力学行为丰富而多样，且其背后的物理机制也不尽相同，被普遍认为是构建人工神经网络、发展高性能类脑芯片的理想元器件单元[53]，目前，国内已有多个课题组在自旋人工神经网络方面开展了研究工作。例如，在具有弱垂直磁各向异性自由层的磁隧道结（MTJ）中，曾中明课题组发现基于电压调控磁各向异性效应，偏置电压能有效地调控磁隧道结自由层磁矩的随机翻转行为，并证实这种压控磁矩随机翻转非线性行为也可以用来模拟自适应神经元[54]。袁喆与夏钶等人通过对MTJ磁化动力学的微磁模拟，发现由800个MTJ组成的递归神经网络在经过训练后，可以对手写汉字“师”的笔顺这样的复杂时空序列进行识别和重现[46]。最新研究结果表明这类神经形态计算还可以与量子计算相结合，发展出量子神经网络[55]。下一步，如何构建大规模的自旋神经网络并有效地对其进行训练/操作，以实现高性能的神经形态计算，将是纳米自旋电子器件在人工智能应用领域的一个热点方向。