具有片上学习的混合自旋电子-CMOS脉冲神经网络：器件、电路与系统
新兴技术
2016-12-14 v4
摘要
在过去的十年中，脉冲神经网络（SNN）已成为模拟大脑的热门架构之一。在 SNN 中，信息被时间编码，神经元间的通信通过脉冲实现。在此类网络中，脉冲时序依赖可塑性机制需要根据脉冲神经元发出的脉冲时间信息对突触进行在线编程。本工作中，我们提出了一种具有解耦脉冲传输与编程电流路径的自旋电子突触。该自旋电子突触由铁磁体-重金属异质结构组成，其中流经重金属的编程电流产生自旋轨道矩以调节器件电导。低编程能量和快速编程时间证明了所提器件作为纳米电子突触的有效性。我们基于实验标定的器件-仿真框架进行了仿真研究，展示了此类自旋电子突触与工作在晶体管亚阈值区的 CMOS 神经元及学习电路的接口，从而形成可用于模式识别问题的脉冲神经元网络。
引用
@article{arxiv.1510.00432,
title = {Hybrid Spintronic-CMOS Spiking Neural Network With On-Chip Learning: Devices, Circuits and Systems},
author = {Abhronil Sengupta and Aparajita Banerjee and Kaushik Roy},
journal= {arXiv preprint arXiv:1510.00432},
year = {2016}
}
备注
The article will appear in a future issue of Physical Review Applied