在自旋扩散神经形态计算中使用可编程石墨烯通道作为权重
应用物理
2017-12-05 v1 无序系统与神经网络
介观与纳米尺度物理
摘要
本文提出了一种基于石墨烯的自旋扩散（GrSD）神经网络，其利用了石墨烯局部可调的自旋输运特性以及纳米磁体的非易失性。通过使用静电门控石墨烯作为自旋电子突触，可在自旋域执行加权求和操作，而权重可使用电荷域中的电路进行编程。本文采用耦合磁动力学四分量自旋/电荷电路仿真，展示了神经元-突触功能的可行性，并量化了不同自旋弛豫机制下石墨烯的模拟加权能力。通过实现无晶体管的权重实现，石墨烯自旋扩散神经网络将每个单元-突触的能耗降低至 0.08–0.32 fJ，并且与其数字对应方案相比实现了显著更好的可扩展性，尤其在突触数量与比特精度增加时。
引用
@article{arxiv.1712.00550,
title = {Using Programmable Graphene Channels as Weights in Spin-Diffusive Neuromorphic Computing},
author = {Jiaxi Hu and Gordon Stecklein and Yoska Anugrah and Paul A. Crowell and Steven J. Koester},
journal= {arXiv preprint arXiv:1712.00550},
year = {2017}
}
备注
8 pages, 12 figures