用于 UNet 架构片上学习的畴壁与磁性隧道结混合结构

我们提出了基于自旋电子器件的 UNet 硬件实现方案，用于分割任务。我们的方法涉及为 UNet 架构的卷积、反卷积、整流激活函数 (ReLU) 和最大池化层设计硬件。利用畴壁磁性隧道结 (MTJ) 的突触行为，我们设计了网络的卷积和反卷积层。我们还利用自旋霍尔驱动的正交电流注入 MTJ 构建了网络的 ReLU 和最大池化功能。为了在 UNet 设计中融合自旋输运、磁化动力学和 CMOS 元件的多样物理机制，我们采用了一种混合仿真设置，耦合了微磁仿真、非平衡格林函数、SPICE 仿真以及网络实现。我们在 CamVid 数据集上评估了 UNet 设计，在测试数据上实现了 83.71$\%$ 的分割准确率，与软件实现相当，且在 150 个 epoch 的片上训练能耗为 821mJ。我们进一步证明，与基于稳定铁磁体 ($\Delta$=45) 的 ReLU 和最大池化功能相比，使用不稳定铁磁体 ($\Delta$=4.58) 可使网络能耗需求降低近一个数量级 ($10\times$)，同时保持相似的准确率。包含畴壁 MTJ 和基于不稳定铁磁体 MTJ 的混合架构，在训练期间的片上能耗为 85.79mJ，测试能耗成本为 1.55 $\mu J$。