Synaptic Multi-Weight Wafer-Scale Domain Wall Magnetic Tunnel Junctions Driven by Spin Orbit Torque
Diese Studie demonstriert einen skalierbaren Wafer-Level-Ansatz zur Herstellung multi-gewichtiger spintronischer Synapsen-Bauelemente unter Verwendung von Spin-Bahn-Drehmoment-gesteuerten magnetischen Tunnelkontakten, die durch Domänenwandmanipulation bis zu acht verschiedene Widerstandszustände erreichen und somit einen Weg zu hochpräzisen neuromorphen Systemen trotz der Herausforderungen durch Bauteilvariabilität eröffnen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Moderne Computer werden bei Aufgaben wie der Gesichtserkennung oder der Übersetzung von Sprachen unglaublich leistungsfähig, aber sie tun dies unter einem enormen Stromverbrauch. Dies liegt daran, dass herkömmliche Computer ihren Speicher und ihre Rechenteile an getrennten Orten halten, was dazu führt, dass Daten ständig hin und her transportiert werden müssen, was wiederum Energie verschwendet. Um dieses Problem zu lösen, entwickeln Wissenschaftler eine neue Art von Hardware, die das menschliche Gehirn nachahmt, bei dem Speichern und Rechnen am selben winzigen Ort stattfinden. Diese künstlichen Gehirnzellen, sogenannte Synapsen, müssen in der Lage sein, viele verschiedene Werte zu speichern und nicht nur einen einfachen Ein- oder Aus-Schalter, um effizient zu arbeiten. Jahrelang war eine vielversprechende Art von Speicher, der magnetische Random-Access-Memory (MRAM), für diese Aufgabe zu einfach, da er meist nur in zwei Zuständen verharren konnte. Nun hat jedoch ein Forscherteam einen Weg gefunden, diese magnetischen Bauteile dazu zu bewegen, gleichzeitig viele verschiedene Werte zu halten, was den Weg zu wesentlich energieeffizienteren Computern ebnet.
Das Forschungsteam, das an der University of Texas at Austin und dem Forschungszentrum IMEC in Belgien arbeitet, konzentrierte sich auf einen speziellen Typ von magnetischem Speicherbauteil, der als magnetischer Tunnelkontakt (Magnetic Tunnel Junction) bekannt ist. Stellen Sie sich ein winziges Sandwich vor, bestehend aus magnetischen Schichten, die durch einen dünnen Isolator getrennt sind. In einer Standardversion dieses Bauteils können die magnetischen Schichten in eine von zwei Richtungen zeigen, was eine Null oder eine Eins repräsentiert. Das Team wollte untersuchen, ob es möglich sei, diese Bauteile dazu zu bringen, mehr als nur zwei Werte zu halten. Zu diesem Zweck fertigten sie eine große Charge dieser Bauteile auf einem massiven Silizium-Wafer in der Größe eines Esstellers an, was dem Industriestandard für die Fertigung entspricht. Sie erstellten Bauteile, die lang und schmal waren und sich etwa fünfmal länger als breit streckten, während sie eine Kontrollgruppe aus perfekt runden, kreisförmigen Bauteilen zum Vergleich beibehielten.
Als das Team diese langen, schmalen Bauteile testete, entdeckte es etwas Unerwartetes. Durch das Anlegen eines Magnetfeldes und das Senden elektrischer Impulse durch das Bauteil konnten sie die magnetischen Schichten dazu zwingen, in einer Vielzahl stabiler Positionen zur Ruhe zu kommen, und nicht nur an den beiden extremen Enden. In ihren leistungsfähigsten langen Bauteilen gelang es ihnen, den Widerstand auf acht verschiedene Stufen abzustimmen. Das bedeutet, dass ein einzelnes Bauteil gleichzeitig drei Bits an Information repräsentieren kann, anstatt nur eines. Die kreisförmigen Kontrollbauteile hingegen blieben hartnäckig binär und wechselten nur zwischen zwei Zuständen. Der Schlüssel zur Freisetzung dieser zusätzlichen Ebenen lag in der Form des Bauteils und der Art und Weise, wie der elektrische Strom durch es floss. Die lange Form bewirkte, dass das elektrische Potenzial über das Bauteil hinweg variierte, was ein leichtes Ungleichgewicht erzeugte, das es ermöglichte, dass magnetische Wände entstanden und in der Mitte stecken blieben, wodurch diese zusätzlichen Widerstandsstufen geschaffen wurden.
Um genau zu verstehen, wie dies geschah, führte das Team detaillierte Computersimulationen durch, die den Fluss der Elektrizität und das Verhalten der Magnetfelder innerhalb der winzigen Strukturen modellierten. Diese Simulationen bestätigten, dass die zusätzlichen Ebenen dadurch verursacht wurden, dass magnetische Domänenwände – Grenzen, an denen sich die magnetische Richtung ändert – durch den ungleichmäßigen elektrischen Fluss an Ort und Stelle fixiert wurden. Die Forscher prüften auch, ob Streufelder von benachbarten Schichten die Ursache waren, aber ihre Simulationen zeigten, dass diese Felder zu schwach und zu lokalisiert waren, um der Haupttreiber zu sein. Stattdessen deuteten die Beweise darauf hin, dass die spezifischen elektrischen Bedingungen, die durch die lange Form des Bauteils geschaffen wurden, der primäre Grund für das Multi-Level-Verhalten waren.
Das Team testete anschließend, wie nützlich diese neuen Multi-Level-Bauteile in einem realen Szenario wären, indem es ein neuronales Netzwerk simulierte, das darauf ausgelegt ist, handgeschriebene Zahlen zu erkennen – ein Standardtest für künstliche Intelligenz. Sie programmierten das Netzwerk unter Verwendung der Widerstandswerte, die sie mit ihren tatsächlichen Bauteilen gemessen hatten. Als sie annahmen, dass jedes einzelne Bauteil auf dem Chip perfekt funktioniert und alle acht Stufen erreichen kann, erreichte das System eine Genauigkeit von 96,1 Prozent, was sehr nah an der Leistung eines perfekten digitalen Computers liegt. Wenn sie jedoch die natürlichen Unterschiede zwischen den einzelnen Bauteilen einbezogen, die während der Herstellung auftreten, sank die Genauigkeit auf 48,6 Prozent. Diese Lücke verdeutlicht, dass die Technologie zwar funktioniert, die Bauteile jedoch konsistenter hergestellt werden müssen, um wirklich zuverlässig zu sein.
Diese Arbeit zeigt, dass es möglich ist, Standard-Magnetchips durch eine Änderung ihrer Form und ihrer Ansteuerung in Multi-Level-künstliche Synapsen zu verwandeln. Die Forscher zeigten, dass durch das Strecken dieser Bauteile die übliche binäre Grenze durchbrochen und ein Spektrum von Widerstandszuständen zugänglich gemacht werden kann. Obwohl die Bauteile immer noch gewisse Variationen von einem zum anderen aufweisen, legt die Fähigkeit, sie durch einen schrittweisen Prozess in spezifische Zustände zu programmieren, nahe, dass sie trainiert werden können, ganz ähnlich wie ein biologisches Gehirn. Die Ergebnisse bieten einen klaren Weg zum Bau skalierbarer, energieeffizienter neuromorpher Systeme, die eines Tages komplexe Aufgaben der künstlichen Intelligenz ohne die massiven Energiekosten heutiger Computer bewältigen könnten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.