🔬 mesoscale physics

Synergy of fivefold boost SOT efficiency and field-free magnetization switching with broken inversion symmetry: Toward neuromorphic computing

यह अध्ययन प्रदर्शित करता है कि एक प्लैटिनम (Pt) स्पिन-ऑर्बिट टॉर्क स्टैक में एक पतली रुथेनियम ऑक्साइड (RuO2) परत को एकीकृत करने से डैम्पिंग-लाइक दक्षता काफी बढ़ जाती है और यह फील्ड-फ्री परपेंडिकुलर मैग्नेटाइजेशन स्विचिंग को सक्षम बनाता है, जिससे विश्वसनीय मल्टी-स्टेट सिनैप्स का निर्माण होता है जो न्यूरोमॉर्फिक इमेज रिकग्निशन कार्यों में उच्च सटीकता प्राप्त करते हैं।

मूल लेखक: Badsha Sekh, Hasibur Rahaman, Subhakanta Das, Mitali, Ramu Maddu, Kesavan Jawahar, S. N. Piramanayagam

प्रकाशित 2026-01-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Badsha Sekh, Hasibur Rahaman, Subhakanta Das, Mitali, Ramu Maddu, Kesavan Jawahar, S. N. Piramanayagam

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके कंप्यूटर का मस्तिष्क (प्रोसेसर) और उसकी मेमोरी (हार्ड ड्राइव) दो अलग-अलग कमरों की तरह हैं। आज के कंप्यूटरों में, काम करने के लिए डेटा को लगातार इन कमरों के बीच आना-जाना पड़ता है। यह वैसा ही है जैसे एक शेफ को हर बार एक मसाले की जरूरत होने पर पेंट्री की ओर भागना पड़े; यह धीमा, थकाऊ और बहुत अधिक ऊर्जा बर्बाद करने वाला है। इसे "मेमोरी वॉल" (Memory Wall) कहा जाता है।

न्यूरोमॉर्फिक कंप्यूटिंग (Neuromorphic computing) कंप्यूटर बनाने का एक नया तरीका है जो मानव मस्तिष्क की नकल करता है। अलग-अलग कमरों के बजाय, यह प्रोसेसिंग और मेमोरी को एक ही इकाई में मिला देता है, ठीक वैसे ही जैसे हमारे मस्तिष्क के न्यूरॉन्स और सिनैप्स (synapses) होते हैं। यह शोध पत्र एक नए "सिनैप्स" (मस्तिष्क कोशिकाओं के बीच का संबंध) को प्रस्तुत करता है जो तेज़ है, कम ऊर्जा का उपयोग करता है, और काम करने के लिए इसे किसी अतिरिक्त मदद की आवश्यकता नहीं है।

यहाँ एक सरल विवरण दिया गया है कि शोधकर्ताओं ने क्या हासिल किया है:

1. समस्या: "भारी दरवाजा" और "खोई हुई चाबी"

इन मस्तिष्क जैसे कंप्यूटरों को काम करने के योग्य बनाने के लिए, वैज्ञानिक स्पिन ऑर्बिट टॉर्क (Spin Orbit Torque - SOT) नामक एक विशेष बल का उपयोग करते हैं। SOT को एक मजबूत हवा की तरह समझें जो एक दरवाजे (मैग्नेटिक मेमोरी) को "0" या "1" को स्टोर करने के लिए खोलने या बंद करने के लिए धकेलता है।

हालाँकि, पुराने दरवाजों के साथ दो बड़ी समस्याएँ थीं:

हवा कमजोर थी: हवा (SOT) इतनी मजबूत नहीं थी, इसलिए आपको दरवाजे को धकेलने के लिए बहुत अधिक ऊर्जा (बिजली) की आवश्यकता होती थी।
खोई हुई चाबी: दरवाजे को सही दिशा में धकेलने के लिए, आपको आमतौर पर एक बाहरी सहायक—एक चुंबकीय क्षेत्र (जैसे दूसरा व्यक्ति दरवाजे के हैंडल को पकड़े हुए)—की आवश्यकता होती थी। यह अतिरिक्त सहायक जगह घेरता है और डिवाइस को भारी बनाता है, जिससे हमें एक छोटे चिप पर लाखों डिवाइस पैक करने से रोकता है।

2. समाधान: "जादुई परत" (RuO₂)

शोधकर्ताओं ने दोनों समस्याओं को एक साथ हल करने का एक चतुर तरीका खोजा। उन्होंने हवा जनरेटर (प्लैटिनम) और दरवाजे (कोबाल्ट) के बीच रुथेनियम ऑक्साइड (Ruthenium Oxide - RuO₂) नामक एक सामग्री की एक बहुत पतली परत डाली।

इस RuO₂ परत को एक विशेष लुब्रिकेंट (स्नेहक) और एक इन-बिल्ट हैंडल दोनों के रूप में समझें:

सुपर लुब्रिकेंट: इस परत की बिल्कुल सही मात्रा (0.5 नैनोमीटर मोटाई—एक मानव बाल से लाखों गुना पतली) जोड़कर, उन्होंने हवा को 5.2 गुना अधिक मजबूत बना दिया। इसका मतलब है कि दरवाजा बहुत कम ऊर्जा के साथ खुलता है।
इन-बिल्ट हैंडल: क्योंकि यह परत अपने आस-पास की सामग्रियों के साथ कैसे परस्पर क्रिया करती है, यह अपना स्वयं का आंतरिक "धक्का" (इंटरफेशियल मैग्नेटिक फील्ड) पैदा करती है। यह एक इन-बिल्ट हैंडल की तरह कार्य करता है, जिसका अर्थ है कि दरवाजा किसी भी बाहरी सहायक के बिना बिना किसी बाहरी मदद के खोला या बंद किया जा सकता है। इसे "फील्ड-फ्री स्विचिंग" (field-free switching) कहा जाता है।

3. परिणाम: एक मल्टी-टूल स्विच

चूंकि हवा बहुत कुशल है और दरवाजा बहुत सुचारू रूप से चलता है, इसलिए शोधकर्ता दरवाजे को केवल आधे रास्ते तक ही धकेल सके।

केवल "खुला" (1) या "बंद" (0) होने के बजाय, दरवाजा 10%, 30%, 50%, आदि पर रुक सकता है।
यह कई मेमोरी स्टेट्स (एक साधारण ऑन/ऑफ लाइट के बजाय डिमर स्विच की तरह) बनाता है। यह एक मस्तिष्क जैसे कंप्यूटर के लिए महत्वपूर्ण है क्योंकि यह डिवाइस को कनेक्शन की विभिन्न ताकतों को याद रखने की अनुमति देता है, ठीक वैसे ही जैसे एक वास्तविक सिनैप्स।

4. परीक्षण: एक डिजिटल मस्तिष्क को सिखाना

यह साबित करने के लिए कि यह नया स्विच वास्तविक कंप्यूटिंग के लिए काम करता है, टीम ने एक मस्तिष्क का डिजिटल सिमुलेशन (Artificial Neural Network) बनाया और उसे चित्रों को पहचानना सिखाया।

उन्होंने दो प्रसिद्ध पिक्चर सेट्स का उपयोग किया: MNIST (हस्तलिखित अंक) और Fashion-MNIST (कपड़ों के चित्र)।
अपने नए "मल्टी-लेवल" स्विचों का उपयोग करके, डिजिटल मस्तिष्क ने अंकों को 95% सटीकता के साथ और कपड़ों को 87% सटीकता के साथ पहचानना सीखा।
यह एक पूर्ण डिजिटल मस्तिष्क के लगभग बराबर है, जो यह साबित करता है कि उनका भौतिक डिवाइस जटिल सीखने के कार्यों को संभाल सकता है।

सारांश

संक्षेप में, शोधकर्ताओं ने खोजा कि रुथेनियम ऑक्साइड की एक छोटी, अदृश्य परत जोड़ने से मैग्नेटिक मेमोरी के लिए एक टर्बोचार्जर और सेल्फ-स्टार्टर का काम होता है।

यह मेमोरी को 5 गुना अधिक कुशल बनाता है (ऊर्जा बचाता है)।
यह भारी बाहरी चुंबकों की आवश्यकता को समाप्त करता है (जगह बचाता है)।
यह मेमोरी को एक साथ कई मान (values) रखने की अनुमति देता है (वास्तविक मस्तिष्क की नकल करता है)।

यह सफलता छोटे, तेज़ और बहुत अधिक ऊर्जा-कुशल कंप्यूटर बनाने का मार्ग प्रशस्त करती है, जो मानव मस्तिष्क की तरह पैटर्न को सीखने और पहचानने में सक्षम हैं।

तकनीकी सारांश: टूटी हुई व्युत्क्रमण समरूपता (Broken Inversion Symmetry) के साथ पांच गुना बढ़ी हुई SOT दक्षता और क्षेत्र-मुक्त चुंबकन स्विचिंग का तालमेल

समस्या विवरण
स्पिन ऑर्बिट टॉर्क (SOT) पर आधारित नॉन-वोलेटाइल न्यूरोमॉर्फिक कंप्यूटिंग (NC) तत्व आधुनिक कंप्यूटिंग में 'मेमोरी वॉल' की बाधा के लिए एक संभावित समाधान प्रदान करते हैं। हालाँकि, उनका व्यावहारिक कार्यान्वयन वर्तमान में दो प्राथमिक चुनौतियों से बाधित है: कम SOT दक्षता ( $\xi$ ), और लंबवत चुंबकन स्विचिंग (perpendicular magnetization switching) प्राप्त करने के लिए एक बाहरी इन-प्लेन सिमेट्री-ब्रेकिंग चुंबकीय क्षेत्र ( $H_X$ ) की आवश्यकता। दक्षता में सुधार के लिए मौजूदा रणनीतियाँ, जैसे कि आयन बमबारी या अलॉयिंग, अक्सर स्केलेबिलिटी (scalability) की कमी दर्शाती हैं। इसी प्रकार, फील्ड-फ्री स्विचिंग प्राप्त करने की विधियाँ, जैसे कि एक्सचेंज बायस या थिकनेस-ग्रेडिएंट इंजीनियरिंग, महत्वपूर्ण निर्माण चुनौतियों का सामना करती हैं या उच्च करंट डेंसिटी की मांग करती हैं। इसके अतिरिक्त, ऊर्जावान रूप से अनुकूल परिस्थितियों में उच्च SOT दक्षता और फील्ड-फ्री स्विचिंग दोनों को एक साथ प्राप्त करना काफी हद तक अनदेखा किया गया है।

कार्यप्रणाली (Methodology)
लेखक एक Pt/Co-आधारित हेटरोस्ट्रक्चर के भीतर एक पतली रुथेनियम ऑक्साइड (RuO $_2$ ) इंसर्शन लेयर का उपयोग करते हुए एक सामग्री इंजीनियरिंग दृष्टिकोण प्रस्तावित करते हैं। डिवाइस स्टैक Ta (1 nm) / Pt (5.5 nm) / RuO $_2$ (परिवर्तनीय मोटाई $t$ ) / [Co (0.5 nm)/Pt (0.4 nm)] $_2$ / Ru (2 nm) है, जिसे Si/SiO $_2$ सबस्ट्रेट्स पर DC मैग्नेट्रॉन स्पटरिंग के माध्यम से जमा किया गया है।

प्रमुख प्रयोगात्मक चरणों में शामिल थे:

विशेषण (Characterization): एक्स-रे विवर्तन ( $\theta$ –2 $\theta$ ) और एक्स-रे रिफ्लेक्टिविटी (XRR) के माध्यम से संरचनात्मक विश्लेषण ने फिल्म की होमोजेनिटी और इंटरफेस गुणवत्ता की पुष्टि की। चुंबकीय गुणों का आकलन केर हिस्टेरेसिस लूप्स और वाइब्रेटिंग सैंपल मैग्नेटोमेट्री (VSM) का उपयोग करके किया गया।
SOT दक्षता मापन: डैम्पिंग-लाइक (DL) SOT दक्षता को करंट-प्रेरित हिस्टेरेसिस लूप शिफ्ट मापन का उपयोग करके परिमाणित किया गया। विभिन्न इन-प्लेन फील्ड्स ( $H_X$ ) पर आउट-ऑफ-प्लेन फील्ड ( $H_Z$ ) को स्वीप करके प्रभावी क्षेत्र ( $H_{DL}$ ) निकाला गया।
स्विचिंग विश्लेषण: शून्य बाहरी $H_X$ पर करंट पल्स लागू करके क्रिटिकल स्विचिंग करंट डेंसिटी ( $J_C$ ) और फील्ड-फ्री स्विचिंग क्षमताओं का मूल्यांकन किया गया। स्विचिंग संभाव्यता और ध्रुवीयता (polarity) का विश्लेषण अंतर्निहित इंटरफेशियल फील्ड की उपस्थिति निर्धारित करने के लिए किया गया।
न्यूरोमॉर्फिक सिमुलेशन: हॉल-बार डिवाइसेस को क्रॉसबार ऐरे आर्किटेक्चर में कृत्रिम सिनैप्स के रूप में मॉडल किया गया। एक आर्टिफिशियल न्यूरल नेटवर्क (ANN) को PyTorch का उपयोग करके कार्यान्वित किया गया, जहाँ सिनैप्टिक वेट्स को प्रयोगात्मक रूप से मापे गए मल्टी-लेवल रेजिस्टेंस स्टेट्स के आधार पर अपडेट किया गया। नेटवर्क को MNIST और Fashion-MNIST डेटासेट पर प्रशिक्षित किया गया।

मुख्य योगदान और परिणाम

उन्नत SOT दक्षता: एक इष्टतम 0.5 nm RuO $_2$ परत के समावेश से संदर्भ Pt-केवल नमूने की तुलना में DL SOT दक्षता में 5.2-गुना वृद्धि हुई। यह सुधार इंटरफेशियल स्पिन-ऑर्बिट कपलिंग (ISOC) के दमन के कारण हुआ, जो Pt/Co इंटरफेस पर स्पिन पारदर्शिता ( $T_{int}$ ) को बढ़ाता है। गणना की गई स्पिन हॉल एंगल ( $\theta_{SH}$ ) 0.36 तक पहुँची, जो संदर्भ से लगभग चार गुना अधिक है।
कम क्रिटिकल करंट: अनुकूलित नमूने में संदर्भ की तुलना में क्रिटिकल स्विचिंग करंट डेंसिटी ( $J_C$ ) में तीन गुना कमी आई, जो स्विचिंग संचालन के लिए कम बिजली खपत का संकेत देती है।
फील्ड-फ्री लंबवत स्विचिंग: अध्ययन ने बिना किसी बाहरी इन-प्लेन चुंबकीय क्षेत्र ( $H_X = 0$ ) के मजबूत, नियतात्मक लंबवत चुंबकन स्विचिंग का प्रदर्शन किया। यह RuO $_2$ /Co इंटरफेस पर टूटी हुई इनवर्जन सिमेट्री से उत्पन्न एक उभरते हुए बिल्ट-इन इंटरफेशियल फील्ड के माध्यम से प्राप्त किया गया। इस तंत्र में रशबा-प्रेरित (Rashba-induced) स्पिन संचय और एक आउट-ऑफ-प्लेन स्पिन पोलराइजेशन ( $\sigma_z$ ) घटक का निर्माण शामिल है।
मोटाई निर्भरता: फील्ड-फ्री स्विचिंग प्रभाव अत्यधिक मोटाई-निर्भर पाया गया, जो केवल एक विशिष्ट RuO $_2$ मोटाई विंडो (0.5–0.7 nm के आसपास शिखर पर) के भीतर बना रहा। अधिक मोटी परतें करंट शंटिंग और इंटरफेशियल स्कैटरिंग की ओर ले गईं, जिससे प्रभाव कम हो गया।
सिनैप्टिक कार्यक्षमता: क्रमिक चुंबकन स्विचिंग विशेषताओं का लाभ उठाते हुए, डिवाइस ने छह अलग-अलग, स्थिर रेजिस्टेंस स्टेट्स प्रदर्शित किए, जो मल्टी-लेवल सिनैप्टिक वेट्स की नकल करते हैं।
न्यूरोमॉर्फिक प्रदर्शन: एक सिम्युलेटेड ANN में एकीकृत होने पर, डिवाइस-प्रेरित 6-स्टेट क्वांटाइजेशन स्कीम ने MNIST पर 95.21% और Fashion-MNIST पर 87% की इमेज रिकग्निशन सटीकता प्राप्त की। ये परिणाम फुल-प्रिसिजन फ्लोटिंग-पॉइंट मॉडल्स के तुलनीय थे और बाइनरी (1-बिट) वेट रिप्रेजेंटेशन से काफी बेहतर थे।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य व्यावहारिक न्यूरोमॉर्फिक अनुप्रयोगों के लिए ऊर्जा-कुशल, फील्ड-फ्री SOT सिनैप्स की ओर एक व्यवस्थित मार्ग स्थापित करता है। एक पतली धात्विक एंटीफेरोमैग्नेटिक RuO $_2$ परत को एकीकृत करके, अध्ययन ने कम दक्षता और बाहरी बायस फील्ड की आवश्यकता वाली दोहरी चुनौतियों को सफलतापूर्वक संबोधित किया है। यह शोध रेखांकित करता है कि इंटरफेशियल इंजीनियरिंग चार्ज-टू-स्पिन कन्वर्जन को बढ़ा सकती है और साथ ही आंतरिक सिमेट्री ब्रेकिंग को प्रेरित कर सकती है। प्रयोगात्मक रूप से प्राप्त मल्टी-स्टेट रेजिस्टेंस वैल्यूज का उपयोग करके उच्च-सटीकता वाले इमेज रिकग्निशन का प्रदर्शन यह प्रमाणित करता है कि Pt/RuO $_2$ हेटरोस्ट्रक्चर अगली पीढ़ी के लो-पावर न्यूरोमॉर्फिक कंप्यूटिंग सिस्टम के लिए व्यवहार्य हार्डवेयर प्लेटफॉर्म के रूप में सक्षम हैं। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण अन्य फील्ड-फ्री स्कीम्स की स्केलेबिलिटी समस्याओं से बचता है और जटिल बाहरी चुंबकीय क्षेत्र उत्पादन की आवश्यकता के बिना उच्च-घनत्व एकीकरण का मार्ग प्रदान करता है।

1. समस्या: "भारी दरवाजा" और "खोई हुई चाबी"

2. समाधान: "जादुई परत" (RuO₂)

3. परिणाम: एक मल्टी-टूल स्विच

4. परीक्षण: एक डिजिटल मस्तिष्क को सिखाना

सारांश

इसी तरह के और पेपर