基于涡旋STNO神经元的可重构多状态MRAM突触用于可扩展存储卷积神经网络
应用物理
2026-05-29 v1 图像与视频处理
摘要
磁隧道结（MTJ）基于磁随机存取存储器（MRAM）的实现是一种具有非易失性、高耐久性、快速开关动力学和CMOS兼容性的神经形态和存储计算平台。然而，传统的自旋传递扭矩和自旋轨道扭矩MRAM实现用于神经网络常常存在高临界开关电流、大延迟、热不稳定性和显著的读写开销问题。本文展示了一种统一的多状态MRAM-自旋力矩纳米振荡器（STNO）架构，将突触和神经元集成在单芯片上，用于卷积神经网络（CNN）应用。该系统使用1x8多状态MRAM数组作为可编程突触，配合基于涡旋的STNO神经元，实现单个和集体编程通过场线驱动的写通道。通过调节内部和外部磁场以及偏置电流，实现多个可配置电阻状态，从而实现可量化的正负突触权重，用于可配置的卷积核和池化操作。该架构在MNIST、SVHN、CIFAR-10、Google Speech Commands（GSC）和RadioML数据集上进行仿真评估，分别实现了99.76%、87.93%、78.14%、87.96%和56.46%的准确率。基于制造器件尺寸，该完整架构占用约6171.2 μm2的面积，MNIST平均能耗为200.08 pJ/次训练和推理周期，凸显其在可扩展低功耗神经形态计算中的潜力。
引用
@article{arxiv.2605.29942,
title = {Reconfigurable Multistate MRAM Synapses with Vortex STNO based Neurons for Scalable In-Memory Convolutional Neural Networks},
author = {Ravish Kumar Raj and Simon N. Richter and Saeed Baghaee Ivriq and Oliver Fridorf and Darío Fernández-Khatiboun and Yasser Rezaeiyan and Luana Benetti and Tim Boehnert and Ricardo Ferreira and Hooman Farkhani and Sonal Shreya and Farshad Moradi},
journal= {arXiv preprint arXiv:2605.29942},
year = {2026}
}
备注
29 pages, 17 Figures and 4 tables