Magnetyczne złącza tunelowe z efektem wymiany w skali nano umożliwiające memrystorowe synapsy i neurony typu leaky-integrate-fire dla obliczeń neuromorficznych

Dlaczego drobne magnetyczne elementy mogą zmienić sposób obliczeń

Dzisiejsze inteligentne urządzenia opierają się na energochłonnych układach, które nieustannie przesyłają dane między pamięcią a procesorami. Artykuł bada inną drogę inspirowaną mózgiem, gdzie pamięć i obliczenia zachodzą w tych samych niewielkich elementach. Autorzy pokazują, jak magnetyczne urządzenia w skali nano mogą zachowywać się zarówno jak komórki mózgowe, jak i łączące je połączenia, otwierając drogę do szybkiego i efektywnego sprzętu do zadań takich jak rozpoznawanie gestów.

Od sygnałów mózgowych do obwodów impulsowych

Mózgi biologiczne przetwarzają informacje za pomocą impulsów — krótkich wyładowań elektrycznych przekazywanych między neuronami przez synapsy, których wzmocnienia są ciągle dostrajane. Sztuczne wersje tych idei, zwane sieciami neuronowymi impulsowymi, mogłyby z zasady działać przy znacznie mniejszym zużyciu energii niż współczesne układy. Jednak większość obecnych systemów wciąż używa konwencjonalnej elektroniki, która oddziela pamięć od logiki i potrzebuje wielu tranzystorów, by naśladować choćby pojedynczy neuron czy synapsę. To rozbieżność marnuje powierzchnię i energię oraz podważa obietnicę obliczeń inspirowanych mózgiem.

Wykorzystanie magnetyzmu do jednoczesnego przechowywania i przetwarzania

Zespół zwraca się ku klasie technologii pamięci znanej jako magnetyczne złącza tunelowe, w których rezystancja elektryczna zależy od względnej orientacji maleńkich warstw magnetycznych. Budując te złącza z dodatkowym materiałem magnetycznym, który „ustawia” warstwę swobodną, tworzą złącza MTJ z efektem wymiany, które można przełączać krótkimi impulsami prądu. Zdolne zaprojektowanie kształtu urządzenia i stosu magnetycznego pozwala, by jedna wersja złącza zachowywała się jak synapsa z wieloma stabilnymi poziomami rezystancji, podczas gdy mniejsza wersja działa jak neuron, który ostro przechodzi między dwoma stanami. Obie mają tę samą warstwową strukturę, co upraszcza integrację na chipie.

Maleńkie synapsy, które pamiętają kolejność impulsów

W urządzeniach przypominających synapsy krótkie impulsy prądu stopniowo rekonfigurują mikroskopijne domeny magnetyczne zamiast natychmiastowo przełączać cały magnes. To daje ponad 25 odrębnych poziomów rezystancji w urządzeniu o rozmiarze około stu nanometrów i te poziomy pozostają stabilne przez lata oraz są odporne na silne pola magnetyczne. Wysyłając pary impulsów pełniących rolę impulsów neuronu poprzedzającego i następującego z różnymi opóźnieniami czasowymi, autorzy odtwarzają kluczową regułę uczenia obserwowaną w biologii: gdy impulsy pojawiają się blisko siebie w czasie, połączenie wzmacnia lub osłabia się bardziej niż przy większych odstępach. To uczenie zależne od czasu przybycia impulsów (spike-timing-dependent plasticity) wynika naturalnie z przemieszczania ziaren magnetycznych napędzanego ciepłem i prądem.

Maleńkie neurony, które integrują i wystrzeliwują

Urządzenia przypominające neurony reagują inaczej. Pojedyncze impulsy prądu są dobrane tak, by same w sobie nie przełączały urządzenia, ale szybka seria takich impulsów ogrzewa złącze i obniża jego wewnętrzną barierę energetyczną, aż nagle przechodzi ono w inny stan — naśladując neuron, który integruje sygnały, a następnie „wystrzeliwuje”. Gdy impulsy przestają przychodzić, urządzenie stygnie i jego efektywny próg odzyskuje poprzednią wartość, co zapewnia naturalny „wyciek” nagromadzonego sygnału. Eksperymenty pokazują, że te sztuczne neurony mogą przełączać się niezawodnie przy impulsach trwających zaledwie 0,4 nanosekundy, zużywając jedynie kilkaset femtodżuli na zdarzenie wystrzelenia — znacznie mniej niż typowe obwody neuronowe oparte na tranzystorach i wystarczająco szybko, by działać w paśmie gigahercowym.

Test pełnego magnetycznego systemu rozpoznawania gestów

Aby sprawdzić, co takie urządzenia potrafią w systemie, badacze zasymulowali wielowarstwową sieć impulsową zbudowaną wyłącznie z tych magnetycznych synaps i neuronów. Korzystając z rzeczywistych danych o gestach rejestrowanych jako strumienie zdarzeń wizualnych, sieć łączy tradycyjne uczenie w warstwach wczesnych z uczeniem zależnym od czasu w warstwie wyjściowej. Biorąc pod uwagę zachowanie urządzeń i ich niedoskonałości zmierzone w eksperymentach, model nadal klasyfikuje gesty dłoni z około dziewięćdziesięciosześcioprocentową dokładnością. Ponieważ impulsy są rzadkie i neurony wystrzeliwują tylko w razie potrzeby, aktywna jest jedynie niewielka część elementów w danym momencie, a mieszany schemat szkolenia zmniejsza liczbę aktualizacji synaptycznych w porównaniu ze standardowymi metodami.

Co to oznacza dla przyszłego inteligentnego sprzętu

Dla osoby niezwiązanej z tematem kluczowe przesłanie jest takie: ten sam drobny magnetyczny element może teraz pełnić rolę programowalnego połączenia i jednostki impulsowej, podobnie jak synapsy i neurony w mózgu. Te złącza tunelowe z efektem wymiany przełączają się szybko, pamiętają wiele poziomów i można je gęsto upakować, co czyni je obiecującymi kandydatami do kompaktowych, niskoenergetycznych układów, które przetwarzają informacje w sposób podobny do mózgu bez konieczności ciągłego przesyłania danych między pamięcią a logiką.

Cytowanie: 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

Słowa kluczowe: obliczenia neuromorficzne, sieci neuronowe impulsowe, magnetyczne złącza tunelowe, spintronika, rozpoznawanie gestów