纳米级交换偏置磁隧道结实现类忆阻突触与泄漏-积分-发放神经元的类脑计算

为什么微小的磁性器件能改变计算方式

当今的智能设备依赖耗电量大的芯片，这些芯片不断在存储和处理器之间搬运数据。本文探讨了一条受大脑启发的不同路径，在该路径中，存储与计算在相同的微小单元中共同发生。研究人员展示了纳米级磁性器件如何同时表现为脑细胞和它们之间的连接，从而为诸如手势识别等任务提供快速且高效的硬件途径。

从大脑信号到脉冲电路

生物大脑使用脉冲——短暂的电信号，在神经元间通过持续可调的突触传递信息。人工实现这些思想的脉冲神经网络理论上可以比当今芯片耗能更少。但大多数现有系统仍使用传统电子学，将存储和逻辑分离，并需要大量晶体管来模拟单个神经元或突触。这种不匹配浪费了面积和能量，削弱了类脑计算的潜力。

利用磁性将存储与处理合二为一

团队转向一种称为磁隧道结的存储技术，在这种结构中电阻取决于微小磁性层的相对取向。通过在这些结中加入一种额外的“偏置”磁性材料来影响自由层，他们制造出可被短脉冲切换的交换偏置磁隧道结。对器件形状和磁性层叠的巧妙设计使得一种尺寸的结能表现为具有多稳定电阻级的突触，而更小尺寸的则像在两个状态间锋利翻转的神经元。两者共享相同的层状结构，便于在芯片上集成。

能记住时序的微小突触

在突触状器件中，短电流脉冲逐步重构微观磁畴，而不是一次性翻转整个磁体。这在约一百纳米尺度的器件中产生了超过25个不同的电阻级，这些级别可稳定保存多年并能抵抗强磁场。通过发送成对脉冲，模拟前后神经元的脉冲并改变时间延迟，作者复现了生物学中观察到的一条关键学习规则：当脉冲相互到达时间接近时，连接的增强或减弱比间隔较大时更明显。这种基于时序的学习，称为脉冲时序依赖可塑性（STDP），自然地源自电流与热驱动下磁性颗粒的重排。

能积分并发放的微小神经元

神经元状器件则有不同的响应。单个电流脉冲被设计得不足以单独切换器件，但一系列快速脉冲会加热结并降低其内部能垒，直到它突然翻转状态，模拟了积分输入后发放的神经元行为。当脉冲停止时，器件冷却，其有效阈值恢复，提供了自然的“泄漏”机制来消散累积输入。实验显示，这些人工神经元可用短至0.4纳秒的脉冲可靠切换，每次发放仅消耗数百飞焦耳，远低于典型晶体管神经电路且足够快以支持吉赫兹级运行。

测试完整的磁性手势识别器

为评估此类器件在系统中的表现，研究人员模拟了一个完全由这些磁性突触与神经元构成的多层脉冲网络。使用以视觉事件流记录的真实世界手势数据，网络在早期层采用常规训练，在输出层采用基于时序的学习。将器件行为和实验中出现的不完美因素纳入模型后，系统仍以约96%的准确率对手势进行分类。由于脉冲是稀疏的且神经元仅在必要时发放，任一时刻只有少量单元处于活动状态，而混合训练方案也比标准方法减少了突触更新次数。

这对未来智能硬件意味着什么

对非专业读者而言，核心信息是相同的微小磁性构件现在可以同时作为可编程连接和脉冲单元，类似于大脑中的突触与神经元。此类交换偏置磁隧道结切换迅速、能记住多个电阻级并且可高密度集成，使其成为直接在存储中以类脑方式处理信息（而不是频繁搬运数据）的紧凑低能芯片的有力候选者。

引用: 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

关键词: 类脑计算, 脉冲神经网络, 磁隧道结, 自旋电子学, 手势识别