Synaptic Multi-Weight Wafer-Scale Domain Wall Magnetic Tunnel Junctions Driven by Spin Orbit Torque
تُظهر هذه الدراسة نهجاً قابلاً للتوسع على مستوى الرقاقة لإنشاء أجهزة مشبكية سبينترونية متعددة الأوزان باستخدام وصلات نفقية مغناطيسية مدفوعة بعزم دوران المدار المغزلي، والتي تحقق ما يصل إلى ثماني حالات مقاومة متميزة من خلال التلاعب بجدار النطاق، مما يوفر مساراً نحو أنظمة عصبية عالية الدقة رغم التحديات الناجمة عن تباين الأجهزة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تصبح الحواسيب الحديثة قوية للغاية في مهام مثل التعرف على الوجوه أو ترجمة اللغات، لكنها تفعل ذلك باستهلاك كميات هائلة من الكهرباء. ويرجع ذلك إلى أن الحواسيب التقليدية تبقي ذاكرتها وأجزاء التفكير فيها في أماكن منفصلة، مما يجبر البيانات على الانتقال ذهابًا وإيابًا باستمرار، وهو ما يهدر الطاقة. ولحل هذه المشكلة، يبني العلماء نوعًا جديدًا من الأجهزة يحاكي الدماغ البشري، حيث يحدث التخزين والحساب في نفس النقطة الصغيرة. هذه الخلايا الدماغية الاصطناعية، التي تسمى مشابك عصبية، تحتاج إلى القدرة على حمل قيم عديدة مختلفة، وليس مجرد مفتاح تشغيل أو إيقاف بسيط، لتعمل بكفاءة. لسنوات، كان هناك نوع واعد من الذاكرة يسمى ذاكرة الوصول العشوائي المغناطيسية بسيطًا جدًا لهذه المهمة، إذ عادة ما يكون عالقًا في حالتين فقط. ومع ذلك، وجد فريق من الباحثين طريقة لإقناع هذه الأجهزة المغناطيسية بحمل قيم عديدة مختلفة في آن واحد، مما يفتح مسارًا نحو حواسيب أكثر كفاءة في استهلاك الطاقة.
ركز الباحثون، الذين يعملون في جامعة تكساس في أوستن ومركز الأبحاث "آيميك" (IMEC) في بلجيكا، على نوع محدد من أجهزة الذاكرة المغناطيسية المعروف باسم الوصلة النفقية المغناطيسية. تخيل شطيرة صغيرة مكونة من طبقات مغناطيسية يفصل بينها عازل رقيق. في النسخة القياسية من هذا الجهاز، يمكن للطبقات المغناطيسية أن تشير إلى أحد اتجاهين، لتمثل صفرًا أو واحدًا. أراد الفريق معرفة ما إذا كان بإمكانهم جعل هذه الأجهزة تحمل أكثر من مجرد قيمتين. وللقيام بذلك، قاموا ببناء دفعة كبيرة من هذه الأجهزة على رقاقة سيليكون ضخمة، بحجم طبق العشاء، وهو أمر قياسي في التصنيع الصناعي. لقد صنعوا أجهزة طويلة ونحيفة، حيث قاموا بمدها لتكون أطول بنحو خمس مرات من عرضها، مع الاحتفاظ بمجموعة ضابطة من الأجهزة الدائرية المثالية للمقارنة معها.
عندما اختبر الفريق هذه الأجهزة الطويلة والنحيفة، اكتشفوا شيئًا غير متوقع. فمن خلال تطبيق مجال مغناطيسي وإرسال نبضات كهربائية عبر الجهاز، تمكنوا من إجبار الطبقات المغناطيسية على الاستقرار في مجموعة متنوعة من المواضع المستقرة، وليس فقط في الطرفين الأقصيين. وفي أفضل الأجهزة الطويلة أداءً، تمكنوا من ضبط المقاومة إلى ثمانية مستويات متميزة. وهذا يعني أن جهازًا واحدًا يمكنه تمثيل ثلاث بتات من المعلومات في وقت واحد، بدلاً من بت واحدة فقط. أما الأجهزة الدائرية الضابطة، فقد ظلت عنيدة وثنائية، حيث تتنقل فقط بين حالتين. وكان المفتاح لفتح هذه المستويات الإضافية هو شكل الجهاز والطريقة التي يتدفق بها التيار الكهربائي. فقد تسبب الشكل الطويل في جعل الجهد الكهربائي يتفاوت عبر الجهاز، مما خلق عدم توازن طفيف سمح للجدران المغناطيسية بالتكون والتعثر في المنتصف، مما أوجد مستويات المقاومة الإضافية تلك.
لفهم كيف حدث هذا بالضبط، أجرى الفريق عمليات محاكاة حاسوبية مفصلة قامت بنمذجة تدفق الكهرباء وسلوك المجالات المغناطيسية داخل الهياكل الصغيرة. وأكدت هذه المحاكاة أن المستويات الإضافية كانت ناتجة عن جدران النطاقات المغناطيسية — وهي حدود يتغير عندها الاتجاه المغناطيسي — التي تم تثبيتها في مكانها بواسطة التدفق الكهربائي غير المتساوي. كما تحقق الباحثون مما إذا كانت المجالات المغناطيسية الشاردة من الطبقات المجاورة هي السبب، لكن محاكاتهم أظهرت أن تلك المجالات كانت ضعيفة وموضعية للغاية بحيث لا تكون المحرك الرئيسي. وبدلاً من ذلك، أشارت الأدلة إلى أن الظروف الكهربائية المحددة الناتجة عن الشكل الطويل للجهاز هي السبب الرئيسي في السلوك متعدد المستويات.
اختبر الفريق بعد ذلك مدى فائدة هذه الأجهزة الجديدة متعددة المستويات في سيناريو واقعي من خلال محاكاة شبكة عصبية مصممة للتعرف على الأرقام المكتوبة بخط اليد، وهو اختبار قياسي للذكاء الاصطناعي. قاموا ببرمجة الشبكة باستخدام مستويات المقاومة التي قاسوها من أجهزتهم الفعلية. وعندما افترضوا أن كل جهاز على الرقاقة يعمل بشكل مثالي ويمكنه الوصول إلى جميع المستويات الثمانية، حقق النظام دقة بلغت 96.1 بالمائة، وهي قريبة جدًا من أداء الكمبيوتر الرقمي المثالي. ومع ذلك، عندما أدرجوا الاختلافات الطبيعية بين الأجهزة الفردية التي تحدث أثناء التصنيع، انخفضت الدقة إلى 48.6 بالمائة. يسلط هذا الفارق الضوء على أنه بينما تعمل هذه التقنية، فإن الأجهزة تحتاج إلى أن تكون أكثر اتساقًا لتكون موثوقة حقًا.
يوضح هذا العمل أنه من الممكن تحويل رقائق الذاكرة المغناطيسية القياسية إلى مشابك عصبية اصطناعية متعددة المستويات ببساطة عن طريق تغيير شكلها وكيفية تشغيلها. لقد أظهر الباحثون أنه من خلال تمديد هذه الأجهزة، يمكنهم كسر الحد الثنائي المعتاد والوصول إلى طيف من حالات المقاومة. وبينما لا تزال الأجهزة تظهر بعض التباين من جهاز لآخر، فإن القدرة على برمجتها في حالات محددة باستخدام عملية خطوة بخطوة تشير إلى إمكانية تدريبها، تمامًا مثل الدماغ البيولوجي. تقدم هذه النتائج مسارًا واضحًا لبناء أنظمة عصبية قابلة للتوسع وفعالة في استهلاك الطاقة، يمكنها يومًا ما تشغيل مهام الذكاء الاصطناعي المعقدة دون تكاليف الطاقة الهائلة التي تتطلبها حواسيب اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.