用于卷积神经网络的正交自旋流注入磁隧道结

我们提出，由自旋霍尔效应驱动的磁隧道结器件在注入正交自旋流时可被设计成使其两端电阻连续变化。利用这一概念，我们开发了混合器件-电路仿真平台来设计实现卷积神经网络多种功能的网络。在原子尺度上，我们使用 Keldysh 非平衡格林函数技术，其与随机 Landau-Lifshitz-Gilbert-Slonczewski 方程自洽耦合，而后者又与 HSPICE 电路模拟器耦合。我们展示了所提网络同时实现整流线性单元和最大池化功能的能力。我们针对自由铁磁体的热稳定性因子，对所设计网络进行了详细的功耗与误差分析。我们的结果表明，所提网络中存在非平凡的功耗-误差权衡，使得基于不稳定自由铁磁体且输出可靠的节能网络设计成为可能。所提 ReLU 电路的静态功耗为 $0.56\mu W$，而在最坏情况下，具有不稳定自由铁磁体（$\Delta=15$）的九输入整流线性单元-最大池化网络的能耗为 $3.4pJ$。我们还通过分析消失转矩梯度点来使所提器件的磁化稳定性合理化。