Nanoskaliga exchange-bias magnetiska tunnelbindningar som möjliggör memristiv synaps och leaky-integrate-fire-neuron för neuromorf beräkning

Varför små magnetiska enheter kan förändra beräkning

Dagens smarta enheter förlitar sig på strömkrävande kretsar som ständigt flyttar data fram och tillbaka mellan minne och processor. Denna artikel utforskar en annan väg inspirerad av hjärnan, där minne och beräkning sker i samma små element. Forskarna visar hur nanoskaliga magnetiska enheter kan bete sig både som hjärnceller och deras förbindelser, vilket öppnar en väg mot snabb, energieffektiv hårdvara för uppgifter som gestigenkänning.

Från hjärnsignaler till spikande kretsar

Biologiska hjärnor bearbetar information med hjälp av spikar, korta elektriska pulser som förmedlas mellan neuroner via synapser vars styrkor kontinuerligt justeras. Artificiella varianter av dessa idéer, kallade spikande neuronnätverk, skulle i princip kunna fungera med betydligt mindre energi än dagens kretsar. Men de flesta nuvarande system använder fortfarande konventionell elektronik, som separerar minne och logik och kräver många transistorer för att efterlikna även en enda neuron eller synaps. Denna mismatch slösar både yta och effekt och undergräver löftet om hjärninspirerad beräkning.

Att använda magnetism för att lagra och bearbeta samtidigt

Gruppen vänder sig till en klass av minnesteknik känd som magnetiska tunnelbindningar, där elektrisk resistans beror på den relativa orienteringen av små magnetiska lager. Genom att bygga dessa bindningar med ett extra magnetiskt material som ”biasar” det fria lagret skapar de exchange-bias MTJ:er som kan växlas med korta strömpulser. Genomtänkt utformning av enhetens form och det magnetiska staplingsschemat gör att en version av bindningen beter sig som en synaps med många stabila resistansnivåer, medan en mindre version fungerar som en neuron som skiftar skarpt mellan två tillstånd. Båda delar samma lagerstruktur, vilket förenklar integrationen på ett chip.

Små synapser som kommer ihåg timing

I de synapsliknande enheterna omkonfigurerar korta strömpulser gradvis mikroskopiska magnetiska domäner i stället för att vända hela magneten på en gång. Detta ger mer än 25 distinkta resistansnivåer i en enhet som är ungefär hundra nanometer tvärs över, och dessa nivåer förblir stabila i åratal och motstår starka magnetfält. Genom att skicka par av pulser som spelar rollen av pre- och post-neuronspikar med varierande tidsförskjutningar återger författarna en nyckelregel för inlärning som observerats i biologin: när spikar anländer nära varandra stärks eller försvagas förbindelsen mer än när de är långt ifrån varandra. Denna timingbaserade inlärning, känd som spike-timing-dependent plasticity, uppstår naturligt från värme- och strömdriven omarrangering av de magnetiska kornen.

Små neuroner som integrerar och avfyrar

Neuronlika enheter reagerar annorlunda. Enskilda strömpulser väljs för att vara för svaga för att ensamt växla enheten, men en snabb serie av dem värmer bindningen och sänker dess interna energibarriär tills den plötsligt byter tillstånd, vilket efterliknar en neuron som integrerar insignaler och sedan avfyrar. När pulserna upphör svalnar enheten och dess effektiva tröskel återhämtar sig, vilket ger en naturlig ”läcka” av ackumulerat input. Experiment visar att dessa artificiella neuroner kan växla pålitligt med pulser så korta som 0,4 nanosekunder samtidigt som de förbrukar bara några hundra femtojoule per avfyrning, långt mindre än typiska transistorbaserade neuronkretsar och tillräckligt snabba för gigahertzdrift.

Test av en komplett magnetisk gestigenkännare

För att se vad sådana enheter kan göra i ett system simulerar forskarna ett flerskiktat spikande nätverk byggt helt av dessa magnetiska synapser och neuroner. Med verkliga gestdata inspelade som strömmar av visuella händelser kombinerar nätverket konventionell träning i tidigare lager med timingbaserad inlärning i utgångslagret. Med enhetsbeteende och imperfektioner hämtade från experiment klassificerar modellen fortfarande handgester med ungefär 96 procents noggrannhet. Eftersom spikar är glesa och neuroner bara avfyrar när det behövs är endast en liten andel av elementen aktiva vid varje ögonblick, och den blandade träningsmetoden minskar antalet synaptiska uppdateringar jämfört med standardmetoder.

Vad detta betyder för framtidens smarta hårdvara

För en icke-specialist är huvudbudskapet att samma lilla magnetiska byggsten nu kan fungera både som en programmerbar förbindelse och en spikande enhet, mycket likt synapser och neuroner i hjärnan. Dessa exchange-bias magnetiska tunnelbindningar växlar snabbt, kommer ihåg många nivåer och kan packas tätt, vilket gör dem till starka kandidater för kompakta, lågenergiska chip som bearbetar information på ett hjärninspirerat sätt direkt i minnet i stället för att ständigt flytta data omkring.

Citering: 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

Nyckelord: neuromorf beräkning, spikande neuronnätverk, magnetiska tunnelbindningar, spintronik, gestigenkänning