Synaptic Multi-Weight Wafer-Scale Domain Wall Magnetic Tunnel Junctions Driven by Spin Orbit Torque
Deze studie demonstreert een schaalbare, wafer-niveau aanpak voor het creëren van spintronische synaptische apparaten met meerdere gewichten die gebruikmaken van spin-orbit torque-gestuurde magnetische tunnelovergangen die tot acht verschillende weerstandstoestanden bereiken door middel van wandmanipulatie, wat een pad biedt naar neuromorfische systemen met een hoge nauwkeurigheid ondanks uitdagingen door apparaatvariabiliteit.
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 auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Moderne computers worden ongelooflijk krachtig in taken zoals het herkennen van gezichten of het vertalen van talen, maar ze doen dit door enorme hoeveelheden elektriciteit te verbruiken. Dit komt omdat traditionele computers hun geheugen en hun denkprocessen op aparte plaatsen houden, waardoor gegevens constant heen en weer moeten reizen, wat energie verspilt. Om dit op te lossen, bouwen wetenschappers een nieuw soort hardware die het menselijk brein nabootst, waarbij geheugen en berekening in dezelfde kleine plek plaatsvinden. Deze kunstmatige hersencellen, synapsen genoemd, moeten in staat zijn om veel verschillende waarden vast te houden, niet alleen een simpele aan- of uitknop, om efficiënt te kunnen werken. Jarenlang was een veelbelovend type geheugen genaamd magnetische random access memory te simpel voor deze taak, meestal beperkt tot slechts twee toestanden. Echter, een team onderzoekers heeft nu een manier gevonden om deze magnetische apparaten te verleiden om tegelijkertijd veel verschillende waarden vast te houden, wat een pad opent naar veel energiezuinigere computers.
De onderzoekers, werkzaam aan de University of Texas at Austin en het onderzoekscentrum IMEC in België, richtten zich op een specifiek type magnetisch geheugendevice dat bekend staat als een magnetische tunnelovergang (magnetic tunnel junction). Stel je een piepkleig sandwichje voor gemaakt van magnetische lagen gescheiden door een dunne isolator. In een standaardversie van dit apparaat kunnen de magnetische lagen in één van de twee richtingen wijzen, wat een nul of een één vertegenwoordigt. Het team wilde zien of ze deze apparaten meer dan alleen twee waarden konden laten vasthouden. Om dit te doen, bouwden ze een grote partij van deze apparaten op een enorme silicium wafer, ter grootte van een dinerbord, wat standaard is voor industriële productie. Ze creëerden apparaten die lang en smal waren, gestrekt tot ongeveer vijf keer zo lang als ze breed waren, terwijl ze een controlegroep van perfect ronde, circulaire apparaten behielden om mee te vergelijken.
Toen het team deze lange, smalle apparaten testte, ontdekten ze iets onverwachts. Door een magnetisch veld toe te passen en elektrische pulsen door het apparaat te sturen, konden ze de magnetische lagen dwingen om in een verscheidenheid aan stabiele posities te nestelen, niet alleen in de twee uiterste uiteinden. In hun best presterende lange apparaten slaagden ze erin de weerstand af te stemmen op acht verschillende niveaus. Dit betekent dat een enkel apparaat drie bits aan informatie tegelijkertijd kan vertegenwoordigen, in plaats van slechts één. De circulaire controleapparaten bleven echter koppig binair, waarbij ze alleen schakelden tussen twee toestanden. De sleutel tot het ontsluiten van deze extra niveaus was de vorm van het apparaat en de manier waarop de elektrische stroom erdoorheen stroomde. De lange vorm zorgde ervoor dat het elektrische potentiaal over het apparaat varieerde, wat een lichte onbalans creëerde waardoor magnetische wanden konden ontstaan en vast kwamen te zitten, wat die extra weerstandsniveaus creëerde.
Om precies te begrijpen hoe dit gebeurde, draaide het team gedetailleerde computersimulaties die de stroom van elektriciteit en het gedrag van de magnetische velden binnen de minuscule structuren modelleerden. Deze simulaties bevestigden dat de extra niveaus werden veroorzaakt door magnetische domeinwanden — grenzen waar de magnetische richting verandert — die op hun plaats werden gepind door de ongelijkmatige elektrische stroom. De onderzoekers controleerden ook of afwijkende magnetische velden van nabijgelegen lagen de oorzaak waren, maar hun simulaties toonden aan dat die velden te zwak en te gelokaliseerd waren om de belangrijkste drijfveer te zijn. In plaats daarvan wees het bewijs op de specifieke elektrische omstandigheden gecreëerd door de lange vorm van het apparaat als de primaire reden voor het multi-level gedrag.
Het team testte vervolgens hoe nuttig deze nieuwe multi-level apparaten zouden zijn in een real-world scenario door een neuraal netwerk te simuleren dat is ontworpen om handgeschreven cijfers te herkennen, een standaardtest voor kunstmatige intelligentie. Ze programmeerden het netwerk met behulp van de weerstandsniveaus die ze uit hun werkelijke apparaten hadden gemeten. Wanneer ze ervan uitgingen dat elk afzonderlijk apparaat op de chip perfect functioneerde en alle acht niveaus kon bereiken, bereikte het systeem een nauwkeurigheid van 96,1 procent, wat zeer dicht bij de prestaties van een perfect digitale computer ligt. Echter, wanneer ze de natuurlijke verschillen tussen individuele apparaten opnamen die optreden tijdens de productie, daalde de nauwkeurigheid naar 48,6 procent. Deze kloof benadrukt dat hoewel de technologie werkt, de apparaten consistenter moeten worden gemaakt om echt betrouwbaar te zijn.
Dit werk demonstreert dat het mogelijk is om standaard magnetische geheugenchips te veranderen in multi-level kunstmatige synapsen, simpelweg door hun vorm en de manier waarop ze worden aangestuurd te veranderen. De onderzoekers lieten zien dat door deze apparaten uit te rekken, ze de gebruikelijke binaire limiet konden doorbreken en toegang kregen tot een spectrum van weerstandstoestanden. Hoewel de apparaten nog steeds enige variatie van de een naar de ander vertonen, suggereert het vermogen om ze via een stapsgewijs proces in specifieke toestanden te programmeren dat ze getraind kunnen worden, net als een biologisch brein. De bevindingen bieden een duidelijke route naar het bouwen van schaalbare, energiezuinige neuromorfische systemen die op een dag complexe taken van kunstmatige intelligentie kunnen uitvoeren zonder de enorme energiekosten van de huidige computers.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.