CN110175674B - 自旋电子类脑信息处理芯片 - Google Patents
自旋电子类脑信息处理芯片 Download PDFInfo
- Publication number
- CN110175674B CN110175674B CN201910447153.3A CN201910447153A CN110175674B CN 110175674 B CN110175674 B CN 110175674B CN 201910447153 A CN201910447153 A CN 201910447153A CN 110175674 B CN110175674 B CN 110175674B
- Authority
- CN
- China
- Prior art keywords
- spin
- oscillator
- torque
- layer
- nanometer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Hall/Mr Elements (AREA)
Abstract
本发明公开了自旋电子类脑信息处理芯片,对历史数据具有学习能力,能应用于大数据分类和模拟信号的识别。该自旋类脑神经网络是基于两类纳米尺寸自旋力矩自旋电子器件构建的,可以COMS工艺相结合,能模仿人脑神经元和突触处理和传输信息的功能。本发明所提出的自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆阻器是新一类信息处理和存储为一体逻辑自旋器件。自旋力矩纳米磁振荡器是基于电流导致自旋力矩效应,利用电流产生的自旋力矩激发和稳定磁性层中磁矩在纳米尺度下绕外磁场或总有效磁场作高频进动,其进动频率在0.1GHz~50GHz范围内可根据器件结构和外加磁场、电流或电压等参数进行可控调制。
Description
技术领域
本发明涉及新型自旋电子器件在人工智能领域的应用,尤其是在类脑神经形态计算和非冯-诺依曼架构信息处理设计方面。
背景技术
最近几年来,人工智能引起了越来越多的关注。“人工智能”已被写入美国、欧盟、中国等多国或地区的政府工作报告中,已上升为国家战略,被视为新的经济引擎。目前限制人工智能发展的核心因素有两方面:一是对类脑计算的过程理解不够,人工智能算法需要突破;二是适合于神经形态计算的新型人工智能硬件芯片的设计和性能需要解决。目前绝大多数人工智能技术还专注在深度学习和模型算法等软件层面,并对计算机的运算速度和运算次数要求很高。由于基于冯-诺依曼架构计算机在人工智能算法方面突显出其运算效率低和能耗大等缺陷和瓶颈,一般常规计算机(中央处理单元CPU和图形处理单元GPU)都很难满足一些简单的深度学习软件建模的要求。如果要将人工智能要应用到移动设备,例如智能手机,将面临性能、功耗、散热、安全和便携性等诸多问题。
在生物神经网络中,神经元是构成神经***结构和功能的基本单元,它具有接受、整合和传递信息的功能。神经元的形态和功能多种多样,但在结构上大致都可分成细胞体、树突和轴突三个部分。神经元之间是通过突触构成信息传递的基本通道与回路,从而形成阶层网络进行信息的平行处理,并通过突触权重和网络拓扑结构调节存储信息和控制结果输出。人脑由约1011个神经元和1015个突触组成,神经元和突触结构,是人脑认知行为的关键组成部分。受生物神经网络的启发,处理器可以被视为神经元,而网络存储器相当于互连的突触,基于神经元和突触的类脑神经形态芯片被设计专门用于模仿人类大脑同时处理多种数据的能力和自我学习的能力,例如:图像和声音识别、复杂非线性***预测等。设计和研制出具有高密度和超低功耗的类脑神经形态芯片硬件是人工智能发展的一个重要方向和突破点。神经形态芯片之所以具有巨大的市场潜力,是因为此类芯片处理人工智能算法的效率高和功耗极低,能克服当前冯-诺依曼架构处理器在人工智能应用所面临的上述诸多问题。自旋电子器件具有很强的非线性效应和瞬时记忆特征,能进行非线性运算,有很高的容错能力,非常适合构建适合人工智能算法的类脑神经形态计算芯片或人工神经网络。
发明内容
为突破当前冯-诺依曼架构计算机在人工智能算法方面突显出其运算效率低和能耗大等缺陷和瓶颈,本发明提出的一种非冯-诺依曼架构的自旋电子类脑信息处理芯片,不仅具有低功耗、非易失存储、无限次高速读写等优点,而且还具有信息存储与信息处理器统一,能消除当前计算器中信息存储与信息处理的分工壁垒,从而进一步降低计算功耗和提升速度。
技术方案:
自旋电子类脑信息处理芯片,由基本单元扩展成二维或三维阵列构成;
所述基本单元包括三极管、自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器、电感、电容以及二极管;所述三极管的栅极与字线相连,所述三极管的一源极与位线相连,所述三极管的另一源极与所述自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器的底电极相连,所述自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器的上电极分别与电压信号线VDD,所述电感以及所述电容相连,而所述电感另一端与另一位线相连,所述电容另一端与所述二极管相连,所述二极管另一端与另一字线相连。
所述自旋力矩磁振荡器为自旋转移矩纳米自旋振荡器或自旋轨道矩纳米自旋振荡器;所述自旋转移矩纳米自旋振荡器由圆柱型或椭圆柱型多层磁性薄膜结构组成,包括从上至下依次的自旋转移矩纳米自旋振荡器上电极层、自旋转移矩纳米自旋振荡器自由铁磁层、自旋转移矩纳米自旋振荡器非磁间隔层势垒层、自旋转移矩纳米自旋振荡器钉扎铁磁层、自旋转移矩纳米自旋振荡器反铁磁层及自旋转移矩纳米自旋振荡器下电极层;
所述自旋轨道矩纳米自旋振荡器由圆柱型或椭圆柱型单层磁性薄膜和非磁性模板组成,包括从上至下依次的包含有自旋轨道矩纳米自旋振荡器上电极层、自旋轨道矩纳米自旋振荡器非磁自旋极化层、自旋轨道矩纳米自旋振荡器铁磁自由层及自旋轨道矩纳米自旋振荡器下电极层;
所述自旋轨道矩驱动磁畴壁移动忆阻器包括从上至下依次的自旋轨道矩驱动磁畴壁移动忆阻器上电极层、具有垂直磁化的自旋轨道矩驱动磁畴壁移动忆阻器铁磁层和产生自旋极化的自旋轨道矩驱动磁畴壁移动忆阻器非磁重金属层;所述自旋轨道矩驱动磁畴壁移动忆阻器上电极层中间为凹槽,在其左右分别形成自旋轨道矩驱动磁畴壁移动忆阻器左电极层和自旋轨道矩驱动磁畴壁移动忆阻器右电极层。
所述圆柱型或椭圆柱型多层磁性薄膜结构直径为30nm-500nm;所述自旋轨道矩纳米振荡器反铁磁层厚度在3-10nm,所述自旋轨道矩纳米振荡器自由铁磁层厚度在0.5-5nm,所述自旋轨道矩纳米振荡器钉扎铁磁层厚度在3-15nm。
在所述自旋转移矩纳米自旋振荡器的上、下电极层与所述磁性层之间生长钽、钛或钌过渡层。
所述自旋轨道矩纳米自旋振荡器非磁自旋极化层为非磁性重金或其氧化物层,或者重金属硒蔟化合物。
所述自旋轨道矩驱动磁畴壁移动忆阻器的空间结构为哑铃状,长、宽尺寸在50-500nm,且左右两边与中部之间形成的角度为20-80度。
有益效果:本发明的自旋电子类脑信息处理芯片是基于两类纳米尺寸自旋力矩自旋电子器件构建的,可以COMS工艺相结合,能模仿人脑神经元和突触处理和传输信息的功能。本发明所提出的自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆阻器是新一类信息处理和存储为一体逻辑自旋器件。自旋力矩纳米磁振荡器是基于电流导致自旋力矩效应,利用电流产生的自旋力矩激发和稳定磁性层中磁矩在纳米尺度下绕外磁场或总有效磁场作高频进动,其进动频率在0.1GHz~50GHz范围内可根据器件结构和外加磁场、电流等参数进行可控调制。
附图说明
图1为自旋转移矩纳米自旋振荡器(STTO)的结构示意图;其中,1.1为STTO上电极层,1.2为STTO自由铁磁层,1.3为STTO非磁间隔层,1.4为STTO钉扎铁磁层,1.5为STTO反铁磁层,1.6为STTO下电极层。
图2为自旋轨道矩纳米自旋振荡器(SOTO)的结构示意图;2.1为SOTO上电极层,2.2为SOTO非磁自旋极化层,2.3为SOTO铁磁自由层,2.4为SOTO下电极层。
图3为自旋轨道矩驱动磁畴壁移动忆阻器的结构示意图(SOTM);其中,左图为剖面图,右图为府视图,图3中附图标记为:3.1为SOTM左电极层,3.2为SOTM右电极层,3.3为SOTM铁磁层,3.4为SOTM非磁重金属层。
图4为本发明基于自旋振荡器的类脑神经网络芯片电路图。
图5为自旋神经网络进行神经形态计算过程示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
两类自旋元器件结构介绍:本发明涉及的自旋电子类脑信息处理芯片,是基于两类纳米尺寸自旋力矩自旋电子器件:自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆储器,模仿人脑神经元和突触处理和传输信息的功能,构建出一种基于自旋类脑神经形态计算或人工神经网络的非冯-诺依曼人工智能芯片。本发明所提出的自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆阻器是新一类信息处理和存储为一体逻辑自旋器件。自旋力矩纳米磁振荡器是基于电流导致自旋力矩效应,利用电流产生的自旋力矩激发和稳定磁性层中磁矩在纳米尺度下绕外磁场或总有效磁场作高频进动,其进动频率在0.1GHz-50GHz范围内可根据器件结构和外加磁场、电流等参数进行可控调制,包括自旋转移矩和自旋轨道矩两种纳米自旋振荡器。
图1是本发明自旋转移矩纳米自旋振荡器的空间结构示意图,是由圆柱型或椭圆柱型多层磁性薄膜结构组成,包括从上至下依次的STTO上电极层1.1、STTO自由铁磁层1.2、STTO非磁间隔层势垒层1.3、STTO钉扎铁磁层1.4、STTO反铁磁层1.5及STTO下电极层1.6;这类圆柱型或椭圆柱型多层磁性薄膜构成磁隧道结(MTJ)振荡器的直径尺寸一般为30nm-500nm,所述STTO反铁磁层1.5厚度在3-10nm,所述STTO自由铁磁层1.2厚度在0.5-5nm和所述STTO钉扎铁磁层1.4厚度在3-15nm;为了提升自旋振荡器的磁性薄膜质量和器件性能,一般在上、下电极层与磁性层之间还会生长钽、钛、钌等过渡层。图1所示的自旋转移矩纳米自旋振荡器,其电流从上下电极垂直流过器件,也就是说载电电子从下电极通过极化铁磁层后被该钉扎铁磁层极化为自旋极化电流,该自旋极化电流携带一定自旋角动量经过中间间隔层流入自由铁磁层,并把其携带的自旋角动量以自旋力矩的形式传递给自由铁磁层,使得自由铁磁层中的磁矩克服材料自身的阻尼作用项而产生稳定的高频进动。
图2是本发明的自旋轨道矩纳米自旋振荡器的空间结构示意图,是由圆柱型或椭圆柱型单层磁性薄膜和非磁性模板组成,包括从上至下依次的包含有SOTO上电极层2.1、SOTO非磁自旋极化层2.2、SOTO铁磁自由层2.3及SOTO下电极层2.4;所述SOTO非磁自旋极化层2.2的材料为非磁性重金属Pt,Ta,W,Pd或其氧化物WOx、TaOx,或重金属硒蔟化合物Bi2Se3、Bi2(Te,Sb)3,用于产生纯自旋流来对自由铁磁层进行自旋力矩输出,进而使所述SOTO铁磁自由层2.3中磁矩产生稳定的高频进动。
图3是本发明自旋轨道矩驱动磁畴壁移动忆阻器的结构示意图,该器件包括从上至下依次的SOTM上电极层、具有垂直磁化的SOTM铁磁层3.3和产生自旋极化的SOTM非磁重金属层3.4;所述SOTM上电极层中间为凹槽,在其左右分别形成SOTM左电极层3.1和SOTM右电极层3.2。为了提高该器件的非线性和“瞬时记忆”特性,以便高效地用于构建自旋类脑神经形态计算或人工神经网络,该器件的空间结构被设计为如图3所示的哑铃状,中部小、左右两边大,长、宽尺寸在50-500nm左右,且左右两边与中部之间形成的角度为20-80度。
自旋类脑神经网络芯片及信息处理过程:
本发明所提出的两类自旋元器件结构:自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆阻器可以构建出类脑脉冲神经网络结构,可以在大数据分类和模拟信号(如语音、图片)的识别具有很广的应用。图4设计了一种基于自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器的类脑神经网络芯片电路图,图4以自旋力矩磁振荡器为连接器件为例,图4中三极管的栅极与字线相连,三极管的一源极与位线相连,三极管的另一源极与自旋力矩磁振荡器的底电极相连,自旋力矩磁振荡器的上电极分别与电压信号线VDD,电感以及电容相连,而电感另一端与另一位线相连,电容另一端与二极管相连,二极管另一端与另一字线相连,从而构成一个可控的电流驱动和电压信号读取的基本单元,再把这些基本单元扩展成二维或三维阵列构成一个自旋类脑神经网络芯片。本发明所提出的自旋类脑脉冲神经网络芯片只需要用已有历史数据对其进行训练或学习后,就能对新的未知数据进行辨别或预测。
具体数据处理流程如图5所示,1)信号输入:针对具体要解决的问题和体系,首先进行输入信号预处理,也就是构造电压或电流脉冲序列,然后输入到由自旋力矩纳米磁振荡器和电流驱动磁畴壁移动忆阻器构建的类脑脉冲神经网络中去;2)信号并行处理:在自旋类脑脉冲神经网络中的各个人工神经元(两类自旋元器件)受到输入信号的刺激后会做出相应的链路权值反应。该链路权值反应对于自旋元器件是固定的,是由自旋器件中的本征物理效应决定的;3)结果输出:最后整个自旋类脑脉冲神经网络基于以前知识(已知数据的结果)做出预测或判断结果。自旋类脑脉冲神经网络芯片在处理各类大数据分类和预测过程中具有自我学习的能力,需要已有数据对其进行训练。
现以本发明提出的自旋类脑芯片来预测一个二阶非线性动态***为例来说明。一个二阶非线性动态***可以用如下数学递推方程描述:y(t)=0.4*y(t-1)*y(t-2)+0.4*y(t-1)+0.6*i(t)3+0.1,其中i(t)是随机数,该方程没有解析解。在不知道上述递推式的情况下,如何利用本专利所述的自旋类脑脉冲神经网络芯片基于一系列该非线性***的历史数据y(t<t0),来对未来y(t>to)值进行预测。输入信息是历史数据(i(t<t0),y(t<t0)),待预测值为y(t>t0)。首先把随机数i(t)线性编码为电压脉冲序列刺激自旋类脑脉冲神经网络中的自旋力矩纳米磁振荡器。对于输入的电压脉冲序列i(t),自旋力矩纳米磁振荡器在每个脉冲时间宽度内将有一个相应的功率输出,因此就会获得一条同数目功率输出曲线(或序列)r1(t)。由于自旋类脑脉冲神经网络是由许多不同类型的自旋力矩纳米磁振荡器构建的,对于输入电压脉冲序列i(t),自旋类脑脉冲神经网络可以得到许多条功率输出曲线r1(t),r2(t),…rn(t);然后自旋类脑脉冲神经网络对这些曲线进行线性加权叠加,ypred(t)=w1*r1(t)+w2*r2(t)+…wn*rn(t)。根据该非线性***的历史数据(i(t<t0),y(t<t0)),该自旋类脑脉冲神经网络结合梯度下降算法可以找出最佳的加权值序列(w1,w2,…,wn),使得输出值ypred(k)最接近***实际值y(k)。加权值序列(w1,w2,…,wn)的寻找和确定就是该自旋类脑脉冲神经网络的训练或学习过程。当该自旋类脑脉冲神经网络完成学习以后,基于新的随机输入i(t),就能输出一个与理论值很接近的预测值ypred(t),进而完成对该非线性体系进行预测任务。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护范围。
Claims (6)
1.自旋电子类脑信息处理芯片,其特征在于:由基本单元扩展成二维或三维阵列构成;
所述基本单元包括三极管、自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器、电感、电容以及二极管;所述三极管的栅极与字线相连,所述三极管的一源极与位线相连,所述三极管的另一源极与所述自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器的底电极相连,所述自旋力矩磁振荡器或自旋轨道矩驱动磁畴壁移动忆阻器的上电极分别与电压信号线VDD,所述电感以及所述电容相连,而所述电感另一端与另一位线相连,所述电容另一端与所述二极管相连,所述二极管另一端与另一字线相连。
2.根据权利要求1所述的自旋电子类脑信息处理芯片,其特征在于:所述自旋力矩磁振荡器为自旋转移矩纳米自旋振荡器或自旋轨道矩纳米自旋振荡器;所述自旋转移矩纳米自旋振荡器由圆柱型或椭圆柱型多层磁性薄膜结构组成,包括从上至下依次的自旋转移矩纳米自旋振荡器上电极层(1.1)、自旋转移矩纳米自旋振荡器自由铁磁层(1.2)、自旋转移矩纳米自旋振荡器非磁间隔层势垒层(1.3)、自旋转移矩纳米自旋振荡器钉扎铁磁层(1.4)、自旋转移矩纳米自旋振荡器反铁磁层(1.5)及自旋转移矩纳米自旋振荡器下电极层(1.6);
所述自旋轨道矩纳米自旋振荡器由圆柱型或椭圆柱型单层磁性薄膜和非磁性模板组成,包括从上至下依次的包含有自旋轨道矩纳米自旋振荡器上电极层(2.1)、自旋轨道矩纳米自旋振荡器非磁自旋极化层(2.2)、自旋轨道矩纳米自旋振荡器铁磁自由层(2.3)及自旋轨道矩纳米自旋振荡器下电极层(2.4);
所述自旋轨道矩驱动磁畴壁移动忆阻器包括从上至下依次的自旋轨道矩驱动磁畴壁移动忆阻器上电极层、具有垂直磁化的自旋轨道矩驱动磁畴壁移动忆阻器铁磁层(3.3)和产生自旋极化的自旋轨道矩驱动磁畴壁移动忆阻器非磁重金属层(3.4);所述自旋轨道矩驱动磁畴壁移动忆阻器上电极层中间为凹槽,在其左右分别形成自旋轨道矩驱动磁畴壁移动忆阻器左电极层(3.1)和自旋轨道矩驱动磁畴壁移动忆阻器右电极层(3.2)。
3.根据权利要求2所述的自旋电子类脑信息处理芯片,其特征在于:所述圆柱型或椭圆柱型多层磁性薄膜结构直径为30nm-500nm;所述自旋转移矩纳米振荡器反铁磁层(1.5)厚度在3-10nm,所述自旋转移矩纳米振荡器自由铁磁层(1.2)厚度在0.5-5nm,所述自旋转移矩纳米振荡器钉扎铁磁层(1.4)厚度在3-15nm。
4.根据权利要求2所述的自旋电子类脑信息处理芯片,其特征在于:在所述自旋转移矩纳米自旋振荡器的上、下电极层与对应的铁磁层之间生长钽、钛或钌过渡层。
5.根据权利要求2所述的自旋电子类脑信息处理芯片,其特征在于:所述自旋轨道矩纳米自旋振荡器非磁自旋极化层(2.2)的材料为非磁性重金属Pt,Ta,W,Pd或其氧化物WOx,TaOx或重金属硒蔟化合物Bi2Se3、Bi2(Te,Sb)3。
6.根据权利要求2所述的自旋电子类脑信息处理芯片,其特征在于:所述自旋轨道矩驱动磁畴壁移动忆阻器的空间结构为哑铃状,长、宽尺寸在50-500nm,且左右两边与中部之间形成的角度为20-80度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447153.3A CN110175674B (zh) | 2019-05-27 | 2019-05-27 | 自旋电子类脑信息处理芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447153.3A CN110175674B (zh) | 2019-05-27 | 2019-05-27 | 自旋电子类脑信息处理芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175674A CN110175674A (zh) | 2019-08-27 |
CN110175674B true CN110175674B (zh) | 2023-03-24 |
Family
ID=67696338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910447153.3A Active CN110175674B (zh) | 2019-05-27 | 2019-05-27 | 自旋电子类脑信息处理芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611794B (zh) * | 2021-07-05 | 2024-04-26 | 中国科学院微电子研究所 | 全电控自旋纳米振荡器神经元器件 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2945147B1 (fr) * | 2009-04-30 | 2012-03-30 | Thales Sa | Dispositif memristor a resistance ajustable grace au deplacement d'une paroi magnetique par transfert de spin et utilisation dudit memristor dans un reseau de neurones |
CN104809498B (zh) * | 2014-01-24 | 2018-02-13 | 清华大学 | 一种基于神经形态电路的类脑协处理器 |
CN109678212B (zh) * | 2019-01-18 | 2021-04-02 | 西南大学 | 一种Fe2O3纳米材料及其制备方法以及类脑智能芯片 |
-
2019
- 2019-05-27 CN CN201910447153.3A patent/CN110175674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110175674A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grollier et al. | Spintronic nanodevices for bioinspired computing | |
Jeong et al. | Memristor devices for neural networks | |
Grollier et al. | Neuromorphic spintronics | |
Ielmini et al. | Emerging neuromorphic devices | |
Jaiswal et al. | Proposal for a leaky-integrate-fire spiking neuron based on magnetoelectric switching of ferromagnets | |
Yu | Neuro-inspired computing with emerging nonvolatile memorys | |
Sengupta et al. | Hybrid spintronic-CMOS spiking neural network with on-chip learning: Devices, circuits, and systems | |
Zhang et al. | All spin artificial neural networks based on compound spintronic synapse and neuron | |
Zand et al. | Low-energy deep belief networks using intrinsic sigmoidal spintronic-based probabilistic neurons | |
Wang et al. | Fundamental physics and applications of skyrmions: A review | |
Chen et al. | Nanoscale room-temperature multilayer skyrmionic synapse for deep spiking neural networks | |
Sengupta et al. | Stochastic inference and learning enabled by magnetic tunnel junctions | |
Li et al. | Emerging neuromorphic computing paradigms exploring magnetic skyrmions | |
Cai et al. | Unconventional computing based on magnetic tunnel junction | |
Al Misba et al. | Energy efficient learning with low resolution stochastic domain wall synapse for deep neural networks | |
Das et al. | Bilayer-skyrmion-based design of neuron and synapse for spiking neural network | |
Ismael Salinas et al. | Spintronic materials and devices towards an artificial neural network: accomplishments and the last mile | |
CN110175674B (zh) | 自旋电子类脑信息处理芯片 | |
Wang et al. | Research progress in architecture and application of RRAM with computing-in-memory | |
Lone et al. | Magnetic tunnel junction based implementation of spike time dependent plasticity learning for pattern recognition | |
Vatajelu et al. | Fully-connected single-layer stt-mtj-based spiking neural network under process variability | |
Chakraborty et al. | In situ unsupervised learning using stochastic switching in magneto-electric magnetic tunnel junctions | |
Wang et al. | Stochastic synapses made of magnetic domain walls | |
US20210232903A1 (en) | Spintronic Computing Architecture and Method | |
Jiang et al. | Physical reservoir computing built by spintronic devices for temporal information processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |