基于自旋电子突触的射频乘加运算
无序系统与神经网络
2021-04-06 v2 介观与纳米尺度物理
摘要
利用纳米电子器件的物理特性是实现紧凑、快速且高能效人工智能的一条主要途径。在这项工作中，我们提出了该方向上的一种原创路径：将用作人工突触的自旋电子谐振器阵列可直接对模拟射频信号进行分类而无需数字化。谐振器通过自旋二极管效应将射频输入信号转换为直流电压。在此过程中，它们将输入信号乘以一个依赖于其谐振频率的突触权重。我们通过提取自实验器件的参数进行物理仿真，证明频率复用的谐振器阵列可直接在微波输入上实现人工神经网络的基石运算——乘加（MAC）运算。结果表明，即使采用非理想的现实模型，我们架构获得的输出仍与传统MAC运算的结果相当。利用增强了描述自旋电子谐振器物理方程的传统机器学习框架，我们训练了一个单层神经网络来对编码8x8像素手写数字图像的射频信号进行分类。该自旋电子神经网络以99.96%的准确率识别数字，等同于纯软件神经网络。这种MAC实现为快速、低功耗的射频分类应用提供了一种有前景的解决方案，并构成了自旋电子深度神经网络的新基石。
引用
@article{arxiv.2011.07885,
title = {Radio-Frequency Multiply-And-Accumulate Operations with Spintronic Synapses},
author = {N. Leroux and D. Marković and E. Martin and T. Petrisor and D. Querlioz and A. Mizrahi and J. Grollier},
journal= {arXiv preprint arXiv:2011.07885},
year = {2021}
}