Synaptic Multi-Weight Wafer-Scale Domain Wall Magnetic Tunnel Junctions Driven by Spin Orbit Torque
本研究は、デバイスのばらつきという課題はあるものの、ドメイン壁操作を通じて最大8つの異なる抵抗状態を実現するスピン軌道トルク駆動磁気トンネル接合を用いた、マルチウェイト・スピントロニクス・シナプス素子を生成するための、スケーラブルなウェハーレベルのアプローチを実証しており、高精度なニューロモーフィック・システムへの道筋を提示している。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
現代のコンピュータは、顔認識や言語翻訳といったタスクにおいて驚異的な能力を発揮しつつありますが、それらは膨大な電力を消費して行われています。これは、従来のコンピュータではメモリと演算部が別々の場所にあり、データの往復が絶えず発生することでエネルギーを浪費してしまうためです。この問題を解決するために、科学者たちは人間の脳を模倣した新しい種類のハードウェアを構築しています。そこでは、メモリと計算が同じ小さな場所で行われます。これらの人工的な脳細胞と呼ばれる「シナプス」は、効率的に機能するために、単なるオン・オフのスイッチではなく、多くの異なる値を保持できる必要があります。長年、磁気ランダムアクセスメモリ（MRAM）と呼ばれる有望なメモリ技術は、通常わずか2つの状態しか持てず、この用途には単純すぎるとされてきました。しかし、研究チームは、これらの磁気デバイスに一度に多くの値を保持させる方法を見出し、よりエネルギー効率の高いコンピュータへの道を切り開きました。
テキサス大学オースティン校とベルギーのIMEC研究センターの研究者たちは、磁気トンネル接合として知られる特定の磁気メモリデバイスに焦点を当てました。これを、薄い絶縁体で仕切られた磁性層からなる小さなサンドイッチだと想像してみてください。標準的なバージョンのこのデバイスでは、磁性層はゼロまたはイチを表す2つの方向のいずれかを向くことができます。チームは、これらのデバイスに単なる2つの値以上の値を保持させることができるかどうかを検証したいと考えました。そのために、彼らは工業製造の標準である、ディナープレートほどの大きさの巨大なシリコンウェハー上に、これらの一群のデバイスを構築しました。彼らは、比較対象となる完璧に円形の制御用デバイスを用意した上で、幅よりも約5倍長く引き伸ばした、細長い形状のデバイスを作成しました。
チームがこの細長いデバイスをテストした際、予想外の発見がありました。磁場を印加し、デバイスに電気パルスを送ることで、磁性層を両端の極端な2点だけでなく、さまざまな安定した位置に落ち着かせることができたのです。最も性能の高い細長いデバイスでは、抵抗値を8つの明確なレベルに調整することに成功しました。これは、単一のデバイスが1ビットではなく、一度に3ビットの情報を表せることを意味します。一方、円形の制御用デバイスは頑固にバイナリ（2値）のままであり、2つの状態の間でしか切り替わりませんでした。これらの追加レベルを解き明かす鍵は、デバイスの形状と、そこを流れる電流の仕組みにありました。細長い形状によってデバイス全体で電位が変化し、わずかな不均衡が生じたことで、磁壁が中央付近で形成され、そこに留まることが可能になったのです。
この現象がどのようにして起こったのかを正確に理解するために、チームは電気の流れと微小構造内部の磁場の挙動をモデル化した詳細なコンピュータシミュレーションを実施しました。これらのシミュレーションにより、追加のレベルは、不均一な電気の流れによって磁気ドメイン壁（磁気の向きが変わる境界）が固定されたことによって生じていることが確認されました。研究者たちは、近接する層からの漏れ磁場が原因ではないかどうかも確認しましたが、シミュレーションの結果、それらの磁場はあまりにも弱く局所的であり、主要な要因にはなり得ないことが示されました。むしろ、証拠は、デバイスの細長い形状によって作り出された特定の電気的条件こそが、マルチレベル挙動の主要な理由であることを指し示していました。
チームは、この新しいマルチレベルデバイスが現実世界のシナリオでどの程度有用であるかをテストするため、手書き数字を認識するように設計されたニューラルネットワークのシミュレーションを行いました。彼らは、実際に測定されたデバイスの抵抗レベルを用いてネットワークをプログラミングしました。チップ上のすべてのデバイスが完璧に動作し、全8レベルに到達できると仮定した場合、システムは96.1パーセントの精度を達成し、これは完璧なデジタルコンピュータの性能に非常に近い数値でした。しかし、製造過程で発生する個々のデバイス間の自然な差異を考慮に入れると、精度は48.6パーセントに低下しました。この差は、この技術が機能してはいるものの、真に信頼できるものにするためには、デバイスの均一性を高める必要があることを浮き彫りにしています。
この研究は、デバイスの形状と駆動方法を変えるだけで、標準的な磁気メモリチップをマルチレベルの人工シナプスに変えることが可能であることを示しています。研究者たちは、デバイスを引き延ばすことで、通常のバイナリの限界を打破し、抵抗値のスペクトラムにアクセスできることを証明しました。デバイス間には依然として多少のばらつきが見られますが、段階的なプロセスを用いて特定の状態にプログラムできる能力は、生物学的な脳のように学習が可能であることを示唆しています。これらの知見は、今日のコンピュータのような膨大なエネルギーコストをかけることなく、複雑な人工知能タスクを実行できる、スケーラブルでエネルギー効率の高いニューロモーフィック・システムの構築に向けた明確なルートを提示しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。