Skalbara och robusta multibit spintroniska synapser för analog in-memory-beräkning

Varför smartare minne spelar roll för vardags-AI

Från röstassistenter till fotoredigeringsappar förlitar sig modern artificiell intelligens starkt på djupa neurala nätverk—program som hanterar miljontals små numeriska ”vikter” för att fatta beslut. Att flytta dessa vikter fram och tillbaka mellan minne och processor kostar avsevärt mer energi än själva beräkningarna. Denna artikel utforskar en ny typ av magnetisk minnescell som både kan lagra vikterna och hjälpa till att utföra beräkningarna direkt där datan finns, vilket lovar snabbare och mer energieffektiv AI-hårdvara.

Att föra hjärnlik beräkning in i minneschippet

Dagens datorer följer den klassiska von Neumann-arkitekturen, där data ständigt skickas mellan minne och en separat processor. Neurala nätverk, som i grunden innebär massiva mängder matrix–vektor-multiplikationer, drabbas hårt av denna flaskhals. Ett lovande alternativ är in-memory-beräkning, där ett stort rutnät (en korsmatris) av minnesceller håller nätverkets vikter och samtidigt omvandlar inkommande spänningar till utgående strömmar som representerar beräkningarna. Många experimentella minnesenheter har prövats för denna roll, men de lider ofta av brusig beteende och värdedrift, vilket är riskabelt när varje cell måste representera mer än bara 0 eller 1.

Att göra magnetiskt minne från av–på till ”analogt”

Författarna bygger vidare på magnetiskt slumpminne (MRAM), en icke-flyktig teknik som redan värderas för sin snabbhet, hållbarhet och kompatibilitet med standardchiprocesser. En konventionell MRAM-cell är en magnetisk tunnfilmstunnelkontakt: två magnetiska lager separerade av en isolerande barriär. Beroende på om lagren ligger i linje eller motsatt varandra är cellens elektriska resistans låg eller hög, vilket kodar en enda bit. Den avgörande vändningen här är att omdesigna det ”fria” magnetiska lagret så att det inte längre är ett enhetligt block som vänder helt på en gång. Istället kombinerar den nya designen en mycket tunn kontinuerlig film ovanpå ett tjockare, granulärt magnetiskt lager som består av många små magnetiska korn. Varje korn kan växla riktning vid något olika strömmar, så den totala resistansen kan lägga sig i flera mellanliggande, stabila nivåer snarare än bara ”låg” och ”hög”.

Hur många nyanser av magnetism är användbara?

Genom detaljerade datormodeller av de magnetiska dynamikerna visar teamet att injektion av en spinnpolariserad ström i detta komposita lager orsakar en gradvis, korn-för-korn-växling. När strömmen sveps visar det genomsnittliga magnetiseringsvärdet och därmed resistansen en slät S-formad kurva, vilket möjliggör nästintill kontinuerliga analoga tillstånd. Författarna undersöker sedan hur tillverkningsskillnader mellan celler och slumpmässiga termiska effekter från en skrivcykel till nästa stör dessa nivåer. De finner att medan de mellersta tillstånden är något mer brusiga, förblir de extrema tillstånden (helt vända åt ena eller andra hållet) mycket precisa och robusta. För realistiskt stora enheter (runt 50–75 nanometer på sidan) drar de slutsatsen att fyra pålitligt urskiljbara resistansnivåer—motsvarande 2 bitar per cell—är praktiska utan alltför många fel.

Från enskild cell till komplett AI-accelerator

För att vara användbar måste denna multilevel-MRAM läsas noggrant och integreras i fullständiga beräkningssystem. Författarna designar och simulerar en avkänningskrets som använder en snabb ”flash” analog-till-digital-omvandlare för att särskilja de fyra resistansnivåerna i varje cell. De utforskar hur kontrasten mellan högsta och lägsta ledningsförmåga påverkar läshastighet, energianvändning och storleken på avkänningskretsen, och visar att bättre kontrast leder direkt till snabbare och mer energieffektiva läsningar. Därefter införlivar de sin 2-bit-per-cell MRAM-modell i en simulerad in-memory-accelerator som kör ett ResNet-18-nätverk på CIFAR-10-bilddatasetet. Jämfört med en referens som använder standard 1-bit MRAM-celler fördubblar multi-bit-versionen ungefär lagringstätheten och halverar antalet nödvändiga korsmatrischabloner. Detta översätts till upp till cirka 1,8× minskningar i chiparea, energi och latens, och mer än 3× förbättring i den sammansatta energi–fördröjnings-metriken, allt medan nätverkets igenkänningsnoggrannhet i stort bevaras.

Hur det står sig mot andra minnesidéer

Studien jämför också detta tillvägagångssätt med konkurrerande teknologier som resistivt RAM och fasändringsminne, samt andra magnetiska koncept som förlitar sig på förflyttning av domänväggar eller skyrmioner. Medan dessa alternativ också kan ge analogliknande beteende kräver de ofta större enheter eller specialformer och tenderar att vara mer oförutsägbara. I kontrast behåller de granulära MRAM-cellerna tillverkningsvänligheten och uthålligheten hos mainstream-MRAM samtidigt som de får extra lagringsnivåer. Systemnivåtester tyder på att, under realistiska variationer, MRAM-baserade synapser håller neurala nätverks noggrannhet mycket högre än liknande konstruktioner byggda på mer variabla resistiva minnen, särskilt när nätverk görs glesare för att spara ytterligare energi.

Vad detta betyder för framtidens vardags-AI

Enkelt uttryckt har författarna visat ett sätt att lära en etablerad magnetisk minnesteknik att lagra inte bara nollor och ettor, utan små analoga viktvärden direkt inne i en kompakt cell. Genom att noggrant konstruera en lagerstruktur som fördelar det magnetiska beteendet över många små korn uppnår de flera stabila resistansnivåer som är tillräckligt robusta för verkliga AI-uppgifter. När dessa celler ordnas i stora arrayer och paras med lämpliga avkänningskretsar kan de utföra de centrala beräkningarna i djupinlärning samtidigt som de dramatiskt minskar datarörelsen. Om detta realiseras i hårdvara kan sådana multibit spintroniska synapser göra framtida AI-system—vare sig i datacenter, smartphones eller inbyggda sensorer—snabbare och mer energieffektiva utan att offra noggrannhet.

Citering: 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

Nyckelord: in-memory-beräkning, spintroniskt minne, MRAM, neuromorf hårdvara, djupa neurala nätverk