Nanoskala değişim-önyargılı manyetik tünel birleşimleri, nöromorfik hesaplama için memristif sinaps ve sızıntılı-entegre-ateşleyen nöron sağlıyor

Neden küçük manyetik aygıtlar hesaplamayı değiştirebilir

Günümüz akıllı aygıtları, veriyi sürekli bellek ile işlemciler arasında taşıyan ve çok enerji tüketen çiplere dayanıyor. Bu makale, bellek ve hesaplamanın aynı küçük elemanlarda gerçekleştiği beyin tarafından ilham alınmış farklı bir yolu araştırıyor. Araştırmacılar, nanoskala manyetik aygıtların hem beyin hücreleri hem de bunları birbirine bağlayan bağlantılar gibi davranabileceğini gösteriyor; bu da jest tanıma gibi görevler için hızlı, verimli donanımın yolunu açıyor.

Beyin sinyallerinden atımlı devrelere

Biyolojik beyinler, nöronlar arasındaki sinapslar yoluyla iletilen kısa elektriksel atımlar kullanarak bilgi işler; bu sinapsların güçleri sürekli ayarlanır. Bu fikirlerin yapay versiyonları, atım tabanlı sinir ağları, prensipte bugünün çiplerine göre çok daha az enerjiyle çalışabilir. Ancak mevcut sistemlerin çoğu hala belleği ve mantığı ayıran geleneksel elektroniği kullanıyor ve tek bir nöron veya sinapsı taklit etmek için çok sayıda transistöre ihtiyaç duyuyor. Bu uyumsuzluk alan ve enerji israfına yol açıyor ve beyin ilhamlı hesaplamanın vaadini zayıflatıyor.

Hafızayı ve işlemeyi birleştirmek için manyetikten yararlanma

Araştırma grubu, elektriksel direncin küçük manyetik katmanların göreli yönelimine bağlı olduğu manyetik tünel birleşimleri olarak bilinen bir hafıza teknolojisi sınıfına yöneliyor. Bu birleşimleri serbest katmanı “önyargılayan” ek bir manyetik malzeme ile inşa ederek, kısa akım darbeleriyle anahtarlanabilen değişim-önyargılı MTJ’ler (magnetic tunnel junction) oluşturuyorlar. Cihaz şekli ve manyetik yığınların ustaca mühendisliği, birleşimlerin bir versiyonunun çok sayıda kararlı direnç düzeyine sahip bir sinaps gibi davranmasını sağlarken, daha küçük bir versiyonun iki durum arasında keskin biçimde geçiş yapan bir nöron gibi davranmasını mümkün kılıyor. Her ikisi de aynı katmanlı yapıyı paylaşıyor ve çip üzerinde entegrasyonu basitleştiriyor.

Zamanlamayı hatırlayan küçük sinapslar

Sinaps benzeri aygıtlarda, kısa akım darbeleri tüm mıknatısı birden çevirmek yerine mikroskobik manyetik alanları kademeli olarak yeniden yapılandırır. Bu, yaklaşık yüz nanometre çapındaki bir aygıtta 25’ten fazla ayrı direnç seviyesi üretir; bu seviyeler yıllarca kararlı kalır ve güçlü manyetik alanlara direnç gösterir. Ön- ve son-nöron atımlarının rolünü oynayan ve farklı zaman gecikmeleriyle gönderilen darbe çiftleriyle, yazarlar biyolojide gözlemlenen önemli bir öğrenme kuralını çoğaltıyorlar: atımlar birbirine yakın geldiğinde, bağlantı uzak olduklarına göre daha fazla güçlenir veya zayıflar. Bu zamanlama temelli öğrenme — atım-zamanlamasına bağımlı plastisite — manyetik tanelerin ısı ve akım yoluyla yeniden düzenlenmesinden doğal olarak ortaya çıkıyor.

Toplayıp ateşleyen küçük nöronlar

Nöron benzeri aygıtlar farklı yanıt veriyor. Bireysel akım darbeleri tek başına cihazı değiştirecek kadar güçlü seçilmez, ancak hızlı bir dizi darbe birleşimi birleşimi ısıtarak iç enerji bariyerini düşürür ve cihazın ani bir şekilde durum değiştirmesine neden olur; bu, girdileri toplayıp sonra ateşleyen bir nöronu taklit eder. Darbeler durduğunda cihaz soğur ve etkili eşiği geri kazanır; bu, biriken girdinin doğal bir “sızıntısını” sağlar. Deneyler, bu yapay nöronların dört onda bir nanosecond (0,4 ns) kadar kısa darbelerle güvenilir şekilde anahtarlandığını ve her ateşleme olayı için sadece birkaç yüz femtojoule tükettiğini; bu da tipik transistor bazlı nöron devrelerine göre çok daha az enerji ve gigahertz hızlarında çalışmaya yetecek hız anlamına geliyor.

Tam bir manyetik jest tanıyıcının test edilmesi

Böyle aygıtların bir sistemde neler yapabileceğini görmek için araştırmacılar tamamen bu manyetik sinapslar ve nöronlardan oluşan çok katmanlı bir atım ağı simüle ediyorlar. Görsel olay akışları olarak kaydedilmiş gerçek dünya jest verilerini kullanarak, ağ önceki katmanlarda konvansiyonel eğitim ile çıkış katmanında zamanlama temelli öğrenmeyi birleştiriyor. Deneylerden alınan cihaz davranışı ve kusurlar hesaba katıldığında bile model el hareketlerini yaklaşık yüzde doksan altı doğrulukla sınıflandırıyor. Atımlar seyrek olduğundan ve nöronlar yalnızca gerektiğinde ateşlediğinden, her an yalnızca küçük bir eleman kesri aktiftir ve karma eğitim şeması standart yöntemlere kıyasla sinaptik güncellemelerin sayısını azaltıyor.

Geleceğin akıllı donanımı için anlamı

Uzman olmayan bir okuyucu için temel mesaj, aynı küçük manyetik yapı taşının artık hem programlanabilir bir bağlantı hem de atım üreten bir birim olarak davranabildiğidir; tıpkı beyindeki sinapslar ve nöronlar gibi. Bu değişim-önyargılı manyetik tünel birleşimleri hızlı anahtarlanır, birçok düzeyi hatırlar ve yoğun şekilde paketlenebilir; bu da onları veriyi dolaştırmak yerine bellekte doğrudan beyin-benzeri bir şekilde işleyen kompakt, düşük enerjili çipler için güçlü adaylar haline getiriyor.

Atıf: 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

Anahtar kelimeler: nöromorfik hesaplama, atım tabanlı sinir ağları, manyetik tünel birleşimleri, spintronik, jest tanıma