用于图像识别的自旋电子学：基于超快数据驱动模拟的性能基准测试

我们展示了使用回声状态网络（ESN）进行图像分类的演示，该网络依赖于一个经时间延迟的、称为基于涡旋的自旋矩振荡器（STVO）的单一模拟自旋电子纳米结构。我们采用称为数据驱动 Thiele 方程方法（DD-TEA）的超快数据驱动模拟框架来模拟 STVO 动力学。这使我们避免了对此类纳米结构系统反复进行实验操控所带来的挑战。我们通过成功将该方案应用于解决 MNIST、EMNIST-letters 和 Fashion MNIST 数据集上的分类挑战，展示了其通用性。通过模拟，我们确定在具有众多可学习参数的 ESN 中，使用 STVO 动力学作为激活函数所获得的结果与采用其他常规非线性激活函数（如 reLU 和 sigmoid）的结果相当。尽管在 MNIST 数据集上达到了 SOTA 精度水平，但由于系统架构相对简单且任务复杂度增加，我们的模型在 EMNIST-letters 和 Fashion MNIST 上的性能较低。我们期望 DD-TEA 框架能够支持对更深架构的探索，最终带来分类精度的提升。