基于分子自旋阀选择性磁增强的快速学习突触
新兴技术
2019-03-26 v2 无序系统与神经网络
摘要
我们研究了 LSMO/Alq3/AlOx/Co 分子自旋阀在作为神经形态计算中的突触方面的应用。在神经形态计算中，学习能力体现于突触权重的特定改变。就此观点，相关参数是分子自旋阀的电导，其扮演突触权重的角色。本工作中我们证明了电导可通过重复施加电压脉冲而改变。我们研究了脉冲的参数空间以确定最有效的电压与脉冲时长。电导也可通过将铁磁电极的磁化平行或反平行对齐来调制。此现象称为磁电阻，影响高电导器件而不影响低电导器件。我们研究了该权重更新规则相比于线性更新规则在 actor-critic 框架中基于奖励的学习速度上的影响。该非线性更新表现显著更优（50 次学习试验；达到 0.975 性能目标的 epoch 数在非线性情形为 896±301，在非线性情形为 1076±484；Welch t 检验：p<0.05）。线性更新导致更多具有极长收敛时间的学习试验，而这在线更新中基本不存在。
引用
@article{arxiv.1903.08624,
title = {Fast learning synapses with molecular spin valves via selective magnetic potentiation},
author = {Alberto Riminucci and Robert Legenstein},
journal= {arXiv preprint arXiv:1903.08624},
year = {2019}
}