Мемристивная синапс и нейрон leaky-integrate-fire для нейроморфных вычислений на основе магнитных туннельных переходов с обменным смещением на наноуровне

Почему крошечные магнитные устройства могут изменить вычисления

Современные интеллектуальные устройства опираются на энергозатратные микросхемы, которые постоянно перетаскивают данные между памятью и процессорами. В этой работе рассматривается другой путь, вдохновлённый мозгом, где память и вычисления происходят в одних и тех же крошечных элементах. Авторы показывают, как магнитные устройства наноразмера могут вести себя и как клетки мозга, и как их соединения, открывая путь к быстрому и энергоэффективному аппаратному обеспечению для задач вроде распознавания жестов.

От мозговых сигналов к спайковым схемам

Биологические мозги обрабатывают информацию с помощью спайков — коротких электрических импульсов, которые передаются между нейронами через синапсы, чья сила непрерывно настраивается. Искусственные версии этих идей, называемые спайковыми нейронными сетями, теоретически могут работать с гораздо меньшим энергопотреблением, чем современные микросхемы. Но большинство существующих систем всё ещё используют традиционную электронику, которая разделяет память и логику и требует многих транзисторов, чтобы имитировать даже один нейрон или синапс. Это несоответствие тратит площадь и энергию и подрывает обещание вычислений, вдохновлённых мозгом.

Использование магнетизма для совместного хранения и обработки

Авторы обращаются к классу памяти, известному как магнитные туннельные переходы, где электрическое сопротивление зависит от взаимной ориентации крошечных магнитных слоёв. Встраивая в эти переходы дополнительный магнитный материал, который «смещает» свободный слой, они создают MTJ с обменным смещением, переключающиеся короткими импульсами тока. Продуманная форма устройства и конструкция магнитной стопки позволяют одной версии перехода вести себя как синапс с множеством устойчивых уровней сопротивления, тогда как меньшая версия действует как нейрон, резко переключающийся между двумя состояниями. Оба типа имеют общую слоистую структуру, что упрощает их интеграцию на кристалле.

Крошечные синапсы, запоминающие временные соотношения

В устройствах, похожих на синапсы, короткие импульсы тока постепенно перестраивают микроскопические магнитные домены, вместо того чтобы переворачивать весь магнит целиком. Это даёт более 25 различных уровней сопротивления в устройстве диаметром примерно сто нанометров, причём эти уровни остаются стабильными годами и устойчивы к сильным магнитным полям. Посылая пары импульсов, играющих роль пре- и постсинаптических спайков с разными задержками, авторы воспроизводят ключевое правило обучения, наблюдаемое в биологии: когда спайки приходят близко по времени, связь укрепляется или ослабевает сильнее, чем при большем разрыве. Это обучение, основанное на временной зависимости спайков (STDP), естественно возникает из тепловой и токовой перестройки магнитных кристаллитов.

Крошечные нейроны, интегрирующие и стреляющие

Нейроноподобные устройства ведут себя иначе. Отдельные импульсы тока подобраны слишком слабыми, чтобы переключить устройство сами по себе, но быстрая серия таких импульсов нагревает переход и снижает его внутренний энергетический барьер до тех пор, пока он внезапно не меняет состояние, имитируя нейрон, который интегрирует входы, а затем «стреляет». Когда импульсы прекращаются, устройство остывает и его эффективный порог восстанавливается, обеспечивая естественный «утек» накопленного входа. Эксперименты показывают, что эти искусственные нейроны могут надежно переключаться при импульсах длительностью до четырёх десятых наносекунды и потреблять лишь несколько сотен фемтожоулей на событие, что значительно меньше, чем у типичных транзисторных нейронных схем, и достаточно быстро для работы на гигагерцевых частотах.

Тестирование полного магнитного распознавателя жестов

Чтобы оценить возможности таких устройств в системе, исследователи смоделировали многослойную спайковую сеть, полностью собранную из этих магнитных синапсов и нейронов. Используя реальные данные о жестах, записанные как потоки визуальных событий, сеть сочетает традиционное обучение в ранних слоях с временным обучением в выходном слое. С учётом поведения устройств и их несовершенств, взятых из экспериментов, модель всё ещё классифицирует жесты рук с точностью примерно девяносто шесть процентов. Поскольку спайки редки и нейроны срабатывают только по необходимости, в любой момент активна лишь небольшая часть элементов, а смешанная схема обучения сокращает число обновлений синапсов по сравнению со стандартными методами.

Что это значит для будущего умной аппаратуры

Для неспециалиста ключевая идея такова: один и тот же крошечный магнитный строительный блок теперь может выступать и как программируемое соединение, и как спайковый элемент, подобно синапсам и нейронам в мозге. Эти магнитные туннельные переходы с обменным смещением быстро переключаются, запоминают множество уровней и могут быть плотно упакованы, что делает их перспективными кандидатами для компактных, энергоэффективных чипов, которые обрабатывают информацию в стиле мозга прямо в памяти, а не перетаскивают данные туда и обратно.

Цитирование: 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

Ключевые слова: нейроморфные вычисления, спайковые нейронные сети, магнитные туннельные переходы, спинтроника, распознавание жестов