Nanoschaal exchange-bias magnetische tunneljunctions die memristieve synapsen en lek-integreer-vuur neuronen mogelijk maken voor neuromorfe berekeningen

Waarom piepkleine magnetische apparaten de manier van rekenen kunnen veranderen

De huidige slimme apparaten vertrouwen op energieverslindende chips die constant gegevens tussen geheugen en processors heen en weer verplaatsen. Dit artikel verkent een andere weg, geïnspireerd door de hersenen, waar geheugen en berekening in dezelfde kleine elementen plaatsvinden. De onderzoekers laten zien hoe nanoschaal magnetische apparaten zich zowel als hersencellen als hun verbindende schakels kunnen gedragen, wat een route opent naar snelle, energiezuinige hardware voor taken zoals gebaarherkenning.

Van hersensignalen naar spikkende schakelingen

Biologische hersenen verwerken informatie met spikes, korte elektrische pulsen die tussen neuronen via synapsen worden doorgegeven waarvan de sterktes continu worden aangepast. Kunstmatige versies van deze ideeën, spiking neurale netwerken genoemd, zouden in principe met veel minder energie kunnen werken dan de chips van vandaag. Maar de meeste huidige systemen gebruiken nog conventionele elektronica, die geheugen en logica scheidt en vele transistors nodig heeft om zelfs maar één neuron of synaps na te bootsen. Deze mismatch verspilt ruimte en vermogen en ondermijnt de belofte van hersen-geïnspireerd rekenen.

Magnetisme gebruiken om opslaan en verwerken te combineren

Het team richt zich op een klasse geheugentechnologie die bekendstaat als magnetische tunneljunctions, waarbij de elektrische weerstand afhangt van de relatieve oriëntatie van ijle magnetische lagen. Door deze junctions te bouwen met een extra magnetisch materiaal dat de vrije laag "bias" geeft, creëren ze exchange-bias MTJ's die door korte stroompulsen geschakeld kunnen worden. Slimme engineering van de apparaatvorm en de magnetische stapel maakt het mogelijk dat één versie van de junction zich gedraagt als een synaps met veel stabiele weerstandsniveaus, terwijl een kleinere versie fungeert als een neuron dat scherp tussentwee toestanden omschakelt. Beide delen dezelfde gelaagde structuur, wat integratie op een chip vereenvoudigt.

Piepkleine synapsen die timing onthouden

In de synapsachtige apparaten herconfigureren korte stroompulsen geleidelijk microscopische magnetische domeinen in plaats van de hele magneet in één keer om te zetten. Dit levert meer dan 25 onderscheidende weerstandsniveaus op in een apparaat van slechts ongeveer honderd nanometer breed, en deze niveaus blijven jaren stabiel en zijn bestand tegen sterke magnetische velden. Door paren pulsen te sturen die de rol van pre- en post-neurale spikes vervullen met variërende tijdsvertragingen, reproduceren de auteurs een belangrijke leeregel uit de biologie: wanneer spikes dicht op elkaar aankomen, versterkt of verzwakt de verbinding meer dan wanneer ze ver uit elkaar liggen. Dit op timing gebaseerde leren, bekend als spike-timing-dependent plasticity, ontstaat vanzelf uit de door warmte en stroom aangedreven herschikking van de magnetische korrels.

Piepkleine neuronen die integreren en vuren

De neuronachtige apparaten reageren anders. Individuele stroompulsen zijn te zwak om het apparaat alleen te schakelen, maar een snelle reeks ervan verwarmt de junction en verlaagt de interne energiebarrière totdat deze plotseling van toestand verandert, wat een neuron nabootst dat inputs integreert en vervolgens vuurt. Wanneer de pulsen stoppen koelt het apparaat af en herstelt de effectieve drempel, wat zorgt voor een natuurlijke "lekt" van opgebouwd signaal. Experimenten tonen aan dat deze kunstmatige neuronen betrouwbaar kunnen schakelen met pulsen zo kort als vier tienden van een nanoseconde terwijl ze slechts enkele honderden femtojoules per vuurevenement verbruiken, veel minder dan typische transistorgebaseerde neuronencircuits en snel genoeg voor gigahertz-bedrijf.

Een volledige magnetische gebaarherkenner testen

Om te onderzoeken wat zulke apparaten in een systeem kunnen doen, simuleren de onderzoekers een meerlagig spiking-netwerk dat volledig is opgebouwd uit deze magnetische synapsen en neuronen. Met echte gebaargegevens, vastgelegd als stromen van visuele events, combineert het netwerk conventionele training in de vroege lagen met timing-gebaseerd leren in de outputlaag. Met apparaatsgedrag en imperfecties overgenomen uit experimenten classificeert het model handgebaren nog steeds met ongeveer zesennegentig procent nauwkeurigheid. Omdat spikes schaars zijn en neuronen alleen vuren wanneer dat nodig is, is op elk moment maar een klein deel van de elementen actief, en het gemengde trainingsschema vermindert het aantal synaptische updates vergeleken met standaardmethoden.

Wat dit betekent voor toekomstige slimme hardware

Voor een niet-specialist is de kernboodschap dat hetzelfde piepkleine magnetische bouwblok nu zowel als programmeerbare verbinding als spikkende eenheid kan dienen, vergelijkbaar met de synapsen en neuronen in de hersenen. Deze exchange-bias magnetische tunneljunctions schakelen snel, onthouden vele niveaus en kunnen dicht op elkaar worden geplaatst, waardoor ze sterke kandidaten zijn voor compacte, energiezuinige chips die informatie op een hersenachtige manier direct in het geheugen verwerken in plaats van gegevens rond te blijven verplaatsen.

Bronvermelding: Chen, Z., Zhu, D., Du, A. et al. Nanoscale exchange-bias magnetic tunnel junctions enabled memristive synapse and leaky-integrate-fire neuron for neuromorphic computing. Nat Commun 17, 4362 (2026). https://doi.org/10.1038/s41467-026-70802-8

Trefwoorden: neuromorfe berekening, spiking neurale netwerken, magnetische tunneljunctions, spintronica, gebaarherkenning