🔬 applied physics

A CMOS+X Spiking Neuron With On-Chip Machine Learning

Dit artikel presenteert een CMOS+X spiking neuron ontwerp dat een NMOS-transistor en een magnetische tunnelovergang (MTJ) combineert die intrinsiek biologische neurongedragingen repliceert en on-chip analog machine learning mogelijk maakt, waarbij succesvol training en inferentie op een XOR-taak is gedemonstreerd zonder aanvullende besturingscircuits.

Oorspronkelijke auteurs: Steven Louis, Matthew Blake Abramson, Hannah Bradley, Cody Trevillian, Gene David Nelson, Andrei Slavin, Artem Litvinenko, Jason Gorski, Ilya N. Krivorotov, Darrin Hanna, Vasyl Tyberkevych

Gepubliceerd 2026-08-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Steven Louis, Matthew Blake Abramson, Hannah Bradley, Cody Trevillian, Gene David Nelson, Andrei Slavin, Artem Litvinenko, Jason Gorski, Ilya N. Krivorotov, Darrin Hanna, Vasyl Tyberkevych

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een superintelligente computer te bouwen die in je broekzak past, op een enkele batterij werkt en in staat is om in realtime nieuwe trucjes te leren. De computers van vandaag zijn als enorme, energieverslindende bibliotheken waar elk boek telkens opnieuw gelezen en herlezen moet worden om één enkel feit te vinden. Ze zijn snel, maar ze verbruiken veel vermogen en nemen veel ruimte in beslag. Wetenschappers zoeken naar een andere manier: een computer die meer werkt als een menselijk brein. In plaats van constant boeken te lezen, wacht een brein op een signaal — een "spike" — en doet alleen werk wanneer er iets interessants gebeurt. Dit wordt een "spiking neural network" genoemd. Het is als een stad waar de lichten alleen aangaan als er iemand langskomt, wat elektriciteit bespaart. Maar het bouwen van een brein-achtige chip uit het standaard silicium dat we gebruiken voor telefoons en laptops, is lastig. De standaard onderdelen zijn geweldig in wiskunde, maar ze zijn niet erg goed in het nabootsen van de rommelige, biologische manier waarop neuronen vuren. Daarom vragen onderzoekers zich af: kunnen we onze standaard computeronderdelen combineren met sommige nieuwe, exotische materialen om een chip te creëren die denkt als een brein?

In dit artikel onderzoekt een team van onderzoekers een slimme oplossing genaamd "CMOS+X". Denk aan "CMOS" als de standaard, betrouwbare Lego-blokjes die we gebruiken om al onze huidige elektronica te bouwen. De "X" is een speciaal, nieuw stukje dat ze aan die blokjes willen klikken om ze breinkracht te geven. In dit specifieke onderzoek is de "X" een piepkleine magnetische schakelaar genaamd een Magnetic Tunnel Junction (MTJ). Dit zijn hetzelfde soorten schakelaars die worden gebruikt in sommige moderne geheugenchips, maar de onderzoekers gebruiken ze op een nieuwe manier. Ze koppelen deze magnetische schakelaar aan een enkele standaard transistor (een klein elektronisch ventiel) om een gloednieuw soort kunstmatig neuron te creëren. De grote vraag die ze stellen is: kan dit eenvoudige paar onderdelen, samenwerkend, daadwerkelijk functioneren als een biologisch neuron? Kan het wachten op een signaal, beslissen of het sterk genoeg is, en dan een "spike" afvuren? En nog belangrijker, kan een heel netwerk van deze dingen een moeilijke puzzel oplossen door simpelweg naar zijn eigen fouten te kijken?

De onderzoekers bouwden een virtuele versie van dit systeem met behulp van een populair computerprogramma genaamd LTspice, wat een soort simulator is voor elektronische circuits. Ze hebben voor deze specifieke test geen fysieke chip in een laboratorium gebouwd; in plaats daarvan hebben ze een zeer gedetailleerd digitaal model gemaakt om te zien of de fysica zou werken. Hun belangrijkste bevinding is dat dit "NMOS+MTJ"-paar inderdaad gedrag vertoont als een biologisch neuron. Wanneer ze een voltagesignaal in het systeem stuurden, zou het magnetische deel binnenin draaien en verschuiven, wat een scherpe "spike" in de outputspanning creëerde, precies zoals een echt neuron vuurt. Dit gebeurde zonder complexe extra bedrading of digitale computers die het aanstuurden; het gedrag kwam van nature voort uit de fysica van de magnetische materialen.

Het artikel laat zien dat deze kunstmatige neuronen allemaal de coole dingen kunnen doen die echte neuronen doen. Ze hebben een "drempelwaarde", wat betekent dat ze zwakke fluisteringen negeren en alleen roepen (spiken) wanneer het signaal luid genoeg is. Ze hebben "latentie", waarbij een sterker signaal ze sneller laat vuren en een zwakker signaal ze wat langer laat wachten. Ze hebben zelfs een "refractaire periode", een korte rusttijd na het vuren waarin ze niet onmiddellijk opnieuw kunnen vuren, net zoals een echte hersencel een moment nodig heeft om op te laden. Ze kunnen ook signalen "integreren", door verschillende kleine duwtjes over een bepaalde tijd bij elkaar op te tellen totdat ze eindelijk het punt van vuren bereiken.

Het team verbond deze neuronen vervolgens met elkaar om een klein netwerk te vormen, waarbij ze ze verbonden met "synapsen" (die ze modelleerden als aanpasbare versterkers). Ze leerden dit netwerk om de XOR-probleem op te lossen, een klassieke logische puzzel die te moeilijk is voor eenvoudige, enkelvoudige computers, maar makkelijk voor een brein. Het netwerk leerde door de sterkte van de verbindingen tussen de neuronen aan te passen op basis van een regel die "gradient descent" wordt genoemd. In de simulatie probeerde het netwerk de puzzel op te lossen, zag hoe fout de timing was, en paste vervolgens de verbindingen aan om dichter bij het juiste antwoord te komen. Na ongeveer 16 rondes van proberen en corrigeren, had het netwerk het patroon succesvol geleerd. De output-spikes kwamen perfect overeen met de doel-tijden, wat bewees dat het systeem een complexe, niet-lineaire taak volledig binnen de analoge circuitsimulatie kon leren.

De auteurs merken er voorzichtig bij op dat dit een proof-of-concept simulatie is. Ze hebben nog geen fysieke chip gebouwd die dit doet, en ze hebben nog niet getest hoe het omgaat met echte wereld imperfecties zoals hitte of productiefouten. Echter, de simulatie suggereert dat als we deze circuits kunnen bouwen met standaard fabricageprocessen (aangezien de magnetische onderdelen al worden gebruikt in geheugenchips), we een nieuw soort computerchip kunnen creëren. Deze chip zou in staat zijn om informatie te leren en te verwerken precies waar de data zich bevindt, met zeer weinig energie, wat een gamechanger zou kunnen zijn voor slimme apparaten die lang op batterijen moeten kunnen draaien. De studie opent de deur naar een toekomst waarin onze elektronica niet alleen getallen berekent, maar ook daadwerkelijk "denkt" op dezelfde ritmische, door spikes gedreven manier als ons brein.

Technische Samenvatting: Een CMOS+X Spiking Neuron met On-Chip Machine Learning

Probleemstelling
Moderne edge-computingplatforms staan voor toenemende eisen voor real-time intelligentie onder strikte beperkingen wat betreft energie, latentie en siliciumoppervlakte. Conventionele deep-learningarchitecturen, die afhankelijk zijn van dichte matrixoperaties en rekenen met hoge precisie, zijn vaak computationeel te zwaar en ongeschikt voor batterijgestuurde of thermisch beperkte apparaten. Terwijl Spiking Neural Networks (SNN's) een energiezuinig alternatief bieden via ijle, event-gestuurde berekeningen, vormt hun hardware-implementatie aanzienlijke uitdagingen. Digitale SNN's lijden onder geheugenbottlenecks en klokgesynchroniseerde overhead, terwijl analoge implementaties nieuwe device-fysica vereisen om compacte neuronen en instelbare synapsen te realiseren zonder te vertrouwen op digitale besturing of het scheiden van geheugen en berekening. Er is behoefte aan een produceerbaar, CMOS-compatibel hardwareframework dat zowel spiking-gedrag als on-chip leren inherent kan ondersteunen.

Methodologie
Dit werk stelt een "CMOS+X" framework voor en simuleert dit, waarbij "X" een spintronische Magnetic Tunnel Junction (MTJ) vertegenwoordigt die geïntegreerd is met standaard CMOS-technologie. De kern van de methodologie omvat:

Device Architectuur: De auteurs ontwerpen een enkele kunstmatige neuron bestaande uit een NMOS-transistor die in serie is geschakeld met een MTJ (een NMOS+MTJ-unit). Deze structuur weerspiegelt de standaard 1T-1MTJ cel die wordt gebruikt in MRAM, maar is hergebruikt voor dynamische operatie. De MTJ beschikt over een referentielaag, een analyselaag en een vrije laag. De weerstand van de MTJ hangt af van de hoek tussen de magnetisatie van de vrije laag en de analyselaag.
Werkingsprincipe: De neuron werkt via Spin-Transfer Torque (STT). Een ingangsspanning ( $V_{in}$ ) regelt de poort van de NMOS-transistor, waardoor de stroom ( $I_{D}$ ) die door de seriegeschakelde schakeling stroomt, wordt gereguleerd. Deze stroom oefent een koppel uit op de magnetisatie van de vrije laag, wat deze doet precesseren. Wanneer de magnetisatiehoek een specifieke drempel overschrijdt, ondergaat de MTJ-weerstand een scherpe, tijdelijke verandering, wat een spanningspuls (spike) genereert bij de uitgang ( $V_{out}$ ).
Simulatieomgeving: Het systeem is volledig gemodelleerd binnen de industriestandaard circuit-simulator LTspice. Het MTJ-model incorporeert magnetisatie-dynamica (gebaseerd op de Landau-Lifshitz-Gilbert vergelijking met STT-termen), terwijl de NMOS een standaardmodel gebruikt. De studie gaat uit van isotherme condities en bevat geen procesvariaties of thermische fluctuaties.
Netwerk en Leren: De auteurs verbinden deze neuronen met behulp van analoge synapsen, gemodelleerd als instelbare spanningsversterkers. Ze construeren een twee-laags feedforward-netwerk (input- en outputlaag) plus externe codering-neuronen om de niet-lineaire XOR-classificatietaak op te lossen. Leren wordt bereikt via een supervised, gradient-descent regel die is aangepast voor het analoge domein. Het leermechanisme berust op tijd-gecodeerde spike-signalen, waarbij de vuurtijd van de output-neuron wordt aangepast om overeen te komen met een doel- "goal" spike-tijd. De gewicht-update regel is afgeleid van de afgeleide van een verliesfunctie (het kwadraat van het verschil tussen de werkelijke en gewenste vuurtijden) met betrekking tot de synaptische gewichten.

Belangrijkste Bijdragen

Nieuw Neuron Ontwerp: Het artikel demonstreert dat een NMOS+MTJ paar, een structuur die bijna identiek is aan standaard MRAM-cellen, essentiële biologische neuron-gedragingen van nature reproduceert—inclusclusief drempelactivatie, spike-generatie, latentie, refractaire perioden, synaptische integratie en inhibitie—zonder extra besturingscircuits. Deze gedragingen ontstaan intrinsiek uit de gekoppelde device-fysica van de MTJ en de transistor.
Analoge On-Chip Leren: Het werk presenteert een proof-of-concept voor een volledig analoga, on-chip leersysteem. Het demonstreert dat een netwerk van deze fysieke neuronen een supervised gradient-descent leren kan uitvoeren direct binnen het analoge domein, gebruikmakend van spike-timing-afhankelijke gewicht-updates.
XOR Classificatie: De auteurs simuleren succesvol een twee-laags spiking neuraal netwerk dat de niet-lineaire XOR-taak leert. Het netwerk past zijn synaptische gewichten aan over trainingsepochs totdat de output spike-timing overeenkomt met de doel logische waarden.

Resultaten

Single-Neuron Dynamica: LTspice-simulaties bevestigden dat de NMOS+MTJ neuron "all-or-nothing" spiking-gedrag vertoont. Inputs onder een drempelspanning ( $V_{th} \approx 3.4$ V) falen om een spike te triggeren, terwijl inputs boven de drempel een consistente spike-vorm genereren, ongeacht de amplitude. Het systeem demonstreerde ook respons-latentie (de delay neemt af bij sterkere inputs), refractaire perioden (absoluut en relatief) en frequentiemodulatie.
Signaalpropagatie: Een keten van drie neuronen, verbonden door instelbare synapsen, slaagde erin spikes te propageren. De simulaties toonden aan dat het synaptische gewicht (versterkingsfactor) de respons-latentie direct beïnvloedt, wat een afweging creëert tussen timing-instelbaarheid en gevoeligheid.
Leermetriek: Het netwerk trainde op de XOR-taak en convergeerde na ongeveer 16 epochs.
- Gewicht Convergentie: Synaptische gewichten stabiliseerden naar specifieke waarden (bijv. $w_{o1i1} \approx 3.63$ , $w_{o1i2} \approx 6.19$ ).
- Foutreductie: De verliesfunctie daalde scherp na epoch 16 en benaderde nul.
- Nauwkeurigheid: Tegen epoch 22 was de maximale absolute timing-fout over alle vier de XOR input-condities gereduceerd tot 0.102 ns. De output spikes kwamen nauw overeen met de doel "goal" spikes voor alle input-combinaties.
- Efficiëntie: Het gehele trainingsproces voor de XOR-taak werd in ongeveer 15 seconden gesimuleerd op een conventionele laptop, met een totale gesimuleerde trainingstijd van ongeveer 1 $\mu$ s.

Betekenis en Claims
Het artikel claimt een proof-of-concept te bieden voor een CMOS+X neuromorfische architectuur die training en inferentie integreert binnen een enkel analoga platform. De auteurs benadrukken dat dit de eerste circuit-niveau simulatie is waarbij fysiek gegenereerde neuron-dynamica (afgeleid van MTJ-magnetisatie) direct deelneemt aan supervised learning binnen een spiking neuraal netwerk.

De betekenis ligt in het demonstreren dat:

Standaard halfgeleider-productieprocessen (specifiek die welke MRAM ondersteunen) potentieel deze neuromorfische circuits kunnen realiseren.
Complexe, niet-lineaire leertaken kunnen worden gemodelleerd met uitsluitend analoge circuits en tijd-gecodeerde signalen, waardoor de noodzaak voor digitale backpropagation of surrogate gradients in de simulatie wordt geëlimineerd.
De intrinsieke fysica van spintronische devices kan dienen als het computationele substraat voor zowel neuron-dynamica als leren, waarmee de kloof tussen nanoschaal spintronica en CMOS-compatibele analoge elektronica wordt overbrugd.

De auteurs blijven bescheiden over de huidige reikwijdte en merken op dat het werk een simulatie-gebaseerde proof-of-concept is zonder experimentele validatie, procesvariatie-analyse of een volledige power/energie-evaluatie van de geïdealiseerde synapse-modellen. Zij identificeren experimentele validatie, transistor-niveau implementatie van synapsen en robuustheidstesten als noodzakelijke toekomstige stappen.

Meer zoals dit