Schaalbare en robuuste meerbits spintronische synapsen voor analoog in-geheugen rekenen

Waarom slimmer geheugen van belang is voor alledaagse AI

Van spraakassistenten tot fototoepassingen, moderne kunstmatige intelligentie steunt sterk op diepe neurale netwerken—programma's die miljoenen kleine numerieke "gewichten" hanteren om beslissingen te nemen. Het heen en weer verplaatsen van die gewichten tussen geheugen en processor kost veel meer energie dan de rekenwerkzaamheden zelf. Dit artikel onderzoekt een nieuw type magnetische geheugencel die deze gewichten zowel kan opslaan als kan helpen de berekeningen direct daar uit te voeren waar de gegevens zich bevinden, wat snellere en energiezuinigere AI-hardware belooft.

Hersenachtige berekeningen in de geheugenchip brengen

De computers van vandaag volgen de klassieke "von Neumann"-opzet, waarbij gegevens voortdurend tussen geheugen en een aparte processor worden verplaatst. Neurale netwerken, die neerkomen op enorme aantallen matrix–vectorvermenigvuldigingen, lopen hier gemakkelijk tegen een knelpunt aan. Een veelbelovend alternatief is in-geheugen rekenen, waarbij een groot raster (een crossbar-array) van geheugencellen de gewichten van het netwerk vasthoudt en tegelijkertijd binnenkomende spanningen omzet in uitgangs-stromen die de berekeningen vertegenwoordigen. Veel experimentele geheugenapparaten zijn voor deze rol getest, maar ze lijden vaak aan rumoerig gedrag en drifts in waarden, wat riskant is wanneer elke cel meer dan alleen een 0 of 1 moet vertegenwoordigen.

Magnetisch geheugen van aan/uit naar "analoog" veranderen

De auteurs bouwen voort op magnetisch willekeurig toegankelijk geheugen (MRAM), een niet-vluchtige technologie die al gewaardeerd wordt om snelheid, duurzaamheid en compatibiliteit met standaard chipprocessen. Een conventionele MRAM-cel is een magnetische tunnelingjunction: twee magnetische lagen gescheiden door een isolerende barrière. Afhankelijk van of de lagen gelijkgericht of tegengesteld zijn, is de elektrische weerstand van de cel laag of hoog, wat een enkele bit codeert. De kernwijziging hier is het herontwerpen van de "vrije" magnetische laag zodat deze geen uniform blok meer is dat in één keer omslaat. In plaats daarvan combineert het nieuwe ontwerp een zeer dunne continue film bovenop een dikkere, korrelige magnetische laag die uit veel kleine magnetische korrels bestaat. Elke korrel kan bij iets verschillende stroomwaarden van richting veranderen, zodat de totale weerstand in meerdere tussenliggende, stabiele niveaus kan terechtkomen in plaats van alleen "laag" en "hoog".

Hoeveel tinten magnetisme zijn nuttig?

Met behulp van gedetailleerde computermodellen van de magnetische dynamica laat het team zien dat het injecteren van een spin-gepolariseerde stroom in deze samengestelde laag een geleidelijk omschakelingsproces korrel-voor-korrel veroorzaakt. Terwijl de stroom wordt gevarieerd, volgt de gemiddelde magnetisatie en dus de weerstand een vloeiende S-vormige curve, wat bijna continue analoge toestanden mogelijk maakt. De auteurs onderzoeken vervolgens hoe fabricageverschillen tussen cellen en willekeurige thermische effecten van de ene schrijfcyclus naar de volgende deze niveaus verstoren. Ze constateren dat hoewel de middenliggende toestanden wat ruisgevoeliger zijn, de uiterste toestanden (volledig in de ene of de andere richting geschakeld) zeer nauwkeurig en robuust blijven. Voor realistisch geformatteerde apparaten (ongeveer 50–75 nanometer aan elke kant) concluderen ze dat vier betrouwbaar te onderscheiden weerstandsniveaus—equivalent aan 2 bits per cel—praktisch haalbaar zijn zonder buitensporige fouten.

Van enkele cel naar volledige AI-versneller

Om nuttig te zijn, moet deze meerlaagse MRAM nauwkeurig worden uitgelezen en worden geïntegreerd in volledige computersystemen. De auteurs ontwerpen en simuleren een meetcircuit dat een snelle "flash" analoog-naar-digitaalomzetter gebruikt om de vier weerstandsniveaus van elke cel te onderscheiden. Ze onderzoeken hoe het contrast tussen de hoogste en laagste geleidingstoestanden de uitleessnelheid, het energieverbruik en de omvang van de sensorische schakeling beïnvloedt, en tonen aan dat beter contrast direct leidt tot snellere, energie-efficiëntere uitlezingen. Vervolgens plaatsen ze hun 2-bit-per-cel MRAM-model in een gesimuleerde in-geheugen versneller die een ResNet-18 neuraal netwerk uitvoert op de CIFAR-10 afbeeldingsdataset. Vergeleken met een referentie die standaard 1-bit MRAM-cellen gebruikt, verdubbelt de meerbitsversie ruwweg de opslagdichtheid en halveert het aantal benodigde crossbar-tegels. Dit vertaalt zich in tot ongeveer 1,8× reducties in chipoppervlak, energie en latentie, en meer dan een 3× verbetering in de gecombineerde energie–vertraging-metric, terwijl de herkenningsnauwkeurigheid van het netwerk nagenoeg behouden blijft.

Hoe het zich verhoudt tot andere geheugenideeën

De studie vergelijkt deze aanpak ook met concurrerende technologieën zoals resistief RAM en fasedraai-geheugen, evenals andere magnetische concepten die afhankelijk zijn van verplaatsende domeinwanden of skyrmions. Hoewel die alternatieven ook analoog-achtige gedragingen kunnen produceren, hebben ze vaak grotere apparaten of speciale vormen nodig en blijken ze gevoeliger en onvoorspelbaarder te zijn. In tegenstelling daarmee behouden de korrelige MRAM-cellen de fabricagevriendelijkheid en duurzaamheid van reguliere MRAM terwijl ze extra opslagniveaus toevoegen. Systeemniveau-tests suggereren dat, onder realistische variaties, MRAM-gebaseerde synapsen de nauwkeurigheid van neurale netwerken veel beter behouden dan vergelijkbare ontwerpen gebaseerd op variabelere resistieve geheugens, vooral wanneer netwerken worden uitgedund om verder energie te besparen.

Wat dit betekent voor toekomstige alledaagse AI

In eenvoudige termen hebben de auteurs een manier aangetoond om een bewezen magnetische geheugentechnologie te leren niet alleen nullen en enen op te slaan, maar kleine analoge gewichtwaarden direct binnen een compacte cel. Door zorgvuldig een gelaagde structuur te ontwerpen die het magnetische gedrag over veel kleine korrels verdeelt, verkrijgen ze meerdere stabiele weerstandsniveaus die robuust genoeg zijn voor AI-toepassingen in de praktijk. Wanneer deze cellen in grote arrays worden gerangschikt en gepaard met geschikte meetcircuits, kunnen ze de kernberekeningen van deep learning uitvoeren terwijl ze het dataverkeer drastisch verminderen. Als dit in hardware wordt gerealiseerd, zouden zulke meerbits spintronische synapsen toekomstige AI-systemen—of dat nu in datacenters, smartphones of ingebedde sensoren is—sneller en energiezuiniger kunnen maken zonder in te boeten op nauwkeurigheid.

Bronvermelding: Gupte, K.K., Mugdho, S.S., Huang, C. et al. Scalable and robust multi-bit spintronic synapses for analog in-memory computing. npj Unconv. Comput. 3, 8 (2026). https://doi.org/10.1038/s44335-026-00055-7

Trefwoorden: in-memory computing, spintronisch geheugen, MRAM, neuromorfe hardware, diepe neurale netwerken