用于任务自适应计算的畴壁-磁隧道结人工神经元中可控复位行为
介观与纳米尺度物理
2021-05-05 v1 新兴技术
神经与进化计算
应用物理
摘要
由于 CMOS 驱动的冯·诺依曼计算存在局限，基于自旋电子器件的神经形态计算一直备受关注。畴壁-磁隧道结（DW-MTJ）器件已被证明能够本征地捕捉生物神经元行为。边缘-松弛行为（频繁放电的神经元具有更低动作电位阈值）在执行重复任务时可提供额外的人工神经元功能。本研究中，我们证明该行为可通过三种替代机制在 DW-MTJ 人工神经元中实现：形状各向异性、磁场与电流驱动软复位。利用微磁学与解析器件建模对 Optdigits 手写数字数据集分类，我们表明边缘-松弛行为提升了有序数据集的分类准确率与分类速率，同时对随机化数据集精度损失极小乃至无损失。本工作确立了使人工自旋电子神经元可灵活适配数据集的方法。
引用
@article{arxiv.2101.03095,
title = {Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation},
author = {Samuel Liu and Christopher H. Bennett and Joseph S. Friedman and Matthew J. Marinella and David Paydarfar and Jean Anne C. Incorvia},
journal= {arXiv preprint arXiv:2101.03095},
year = {2021}
}
备注
5 pages, 5 figures