Масштабируемые и устойчивые многобитные спинтронные синапсы для аналоговых вычислений в памяти

Почему умная память важна для повседневного ИИ

От голосовых помощников до фоторедакторов — современный искусственный интеллект опирается на глубокие нейронные сети, которые оперируют миллионами мелких числовых «весов» при принятии решений. Перемещение этих весов между памятью и процессором требует значительно больше энергии, чем сами вычисления. В этой статье рассматривается новый тип магнитной ячейки памяти, которая может не только хранить такие веса, но и выполнять вычисления непосредственно там, где хранятся данные, что обещает более быстрое и эффективное аппаратное обеспечение для ИИ.

Перенос вычислений, похожих на мозг, в микросхему памяти

Современные компьютеры следуют классической архитектуре фон Неймана, где данные постоянно перемещаются между памятью и отдельным процессором. Нейронные сети, по сути выполняющие огромное количество произведений матрицы на вектор, особенно остро сталкиваются с этим узким местом. Перспективная альтернатива — вычисления в памяти, где большая сетка (кроссбар-массив) ячеек памяти хранит веса сети и одновременно преобразует входные напряжения в выходные токи, представляющие вычисления. Для этой роли пробовали множество экспериментальных устройств памяти, но многие из них страдают от шумности и дрейфа значений, что рискованно, когда каждая ячейка должна представлять не просто 0 или 1.

Преобразование магнитной памяти из «вкл/выкл» в «аналоговую»

Авторы опираются на магнитную энергонезависимую память (MRAM) — технологию, уже ценимую за скорость, долговечность и совместимость со стандартными процессами изготовления чипов. Обычная ячейка MRAM — это магнитный туннельный переход: два магнитных слоя, разделённые изолирующим барьером. В зависимости от того, выровнены ли магнитные слои или направлены навстречу друг другу, электрическое сопротивление ячейки низкое или высокое, кодируя один бит. Ключевая идея здесь — переработать «свободный» магнитный слой так, чтобы он перестал быть однородным блоком, переворачивающимся целиком. Вместо этого новая конструкция сочетает очень тонкую непрерывную плёнку поверх более толстого гранулированного магнитного слоя, состоящего из множества маленьких магнитных зерен. Каждое зерно может переключаться при немного разном токе, поэтому общее сопротивление может принимать несколько промежуточных устойчивых уровней, а не только «низкий» и «высокий».

Сколько градаций магнитности полезно?

Используя детальные компьютерные модели магнитной динамики, команда показывает, что ввод спин-поляризованного тока в этот составной слой вызывает постепенный процесс переключения зерно за зерном. При изменении тока средняя намагниченность и, следовательно, сопротивление описывают плавную S‑образную кривую, обеспечивая почти непрерывные аналоговые состояния. Авторы затем изучают, как производственные различия между ячейками и случайные тепловые эффекты между циклами записи нарушают эти уровни. Они обнаруживают, что в то время как средние состояния несколько шумнее, крайние состояния (полностью переключенные в ту или иную сторону) остаются очень стабильными и надёжными. Для реально масштабируемых устройств (приблизительно 50–75 нанометров в поперечнике) они приходят к выводу, что четыре надёжно различимых уровня сопротивления — эквивалент двух бит на ячейку — практичны без чрезмерной ошибки.

От отдельной ячейки к полному ускорителю ИИ

Чтобы быть полезной, такая многоуровневая MRAM должна считываться точно и интегрироваться в полные вычислительные системы. Авторы разрабатывают и моделируют схему считывания, использующую быстрый «флеш» аналого-цифровой преобразователь для различения четырёх уровней сопротивления каждой ячейки. Они исследуют, как контраст между наивысшим и наинизшим состояниями проводимости влияет на скорость чтения, энергопотребление и размеры схемы считывания, показывая, что лучший контраст напрямую обеспечивает более быстрые и энергоэффективные считывания. Далее они встраивают модель MRAM с двумя битами на ячейку в симулированный ускоритель вычислений в памяти, запускающий сеть ResNet-18 на наборе изображений CIFAR-10. По сравнению с базовым вариантом, использующим стандартные 1-битные ячейки MRAM, многобитная версия примерно вдвое увеличивает плотность хранения и сокращает число кроссбар-плит вдвое. Это превращается в снижение площади чипа, энергопотребления и задержки до примерно 1,8×, а также более чем трёхкратное улучшение комбинированного показателя энергия–задержка, при этом практически сохраняя точность распознавания сети.

Как это соотносится с другими идеями памяти

Исследование также сравнивает этот подход с конкурирующими технологиями, такими как резистивная память (ReRAM) и память на основе фазовых переходов, а также с другими магнитными концепциями, опирающимися на перемещение доменных стенок или скирмионов. Хотя эти альтернативы тоже могут демонстрировать вещеоподобное поведение, им часто требуются более крупные устройства или специальные формы, и они склонны быть менее предсказуемыми. В отличие от них, гранулированные MRAM‑ячейки сохраняют удобство производства и выносливость массовой MRAM, при этом получают дополнительные уровни хранения. Системные тесты показывают, что при реалистичных вариациях синапсы на базе MRAM сохраняют точность нейронных сетей значительно выше, чем аналогичные реализации на более изменчивых резистивных памятьях, особенно когда сети делают разреженными для дополнительной экономии энергии.

Что это значит для будущего повседневного ИИ

Проще говоря, авторы продемонстрировали способ научить проверенную магнитную технологию памяти хранить не только нули и единицы, но и небольшие аналоговые значения весов прямо внутри компактной ячейки. Тщательно спроектировав слоистую структуру, которая распределяет магнитное поведение по множеству маленьких зерен, они добились нескольких устойчивых уровней сопротивления, достаточно надёжных для реальных задач ИИ. Когда такие ячейки располагают в больших массивах и дополняют подходящими схемами считывания, они могут выполнять основные вычисления глубокого обучения, значительно сокращая перемещение данных. В случае реализации в аппаратуре такие многобитные спинтронные синапсы могут сделать будущие ИИ‑системы — будь то в дата‑центрах, смартфонах или встроенных датчиках — быстрее и энергоэффективнее без потери точности.

Цитирование: 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

Ключевые слова: вычисления в памяти, спинтронная память, MRAM, нейроморфное оборудование, глубокие нейронные сети