[논문 리뷰] Multilayer spintronic neural networks with radio-frequency connections

Andrew Ross, Nathan Leroux외 19명|arXiv (Cornell University)|2022. 11. 07.

Advanced Memory and Neural Computing인용 수 5

한 줄 요약

이 논문은 자기터널접합(MTJs)을 시냅스이자 뉴런으로 사용하여 비선형적으로 분리 가능한 RF 입력을 종단 간, 아날로그, 저전력으로 분류할 수 있는 다층 스핀트로닉스 신경망을 제안한다. 하드웨어 프로토타입은 비선형적으로 분리 가능한 RF 패턴을 97.7%의 정확도로 분류하며, 시뮬레이션 결과로는 밀리와트 이하의 전력 소비와 디지털화 없이 최신 기술 수준의 드론 식별 성능을 입증하였다.

ABSTRACT

Spintronic nano-synapses and nano-neurons perform complex cognitive computations with high accuracy thanks to their rich, reproducible and controllable magnetization dynamics. These dynamical nanodevices could transform artificial intelligence hardware, provided that they implement state-of-the art deep neural networks. However, there is today no scalable way to connect them in multilayers. Here we show that the flagship nano-components of spintronics, magnetic tunnel junctions, can be connected into multilayer neural networks where they implement both synapses and neurons thanks to their magnetization dynamics, and communicate by processing, transmitting and receiving radio frequency (RF) signals. We build a hardware spintronic neural network composed of nine magnetic tunnel junctions connected in two layers, and show that it natively classifies nonlinearly-separable RF inputs with an accuracy of 97.7%. Using physical simulations, we demonstrate that a large network of nanoscale junctions can achieve state-of the-art identification of drones from their RF transmissions, without digitization, and consuming only a few milliwatts, which is a gain of more than four orders of magnitude in power consumption compared to currently used techniques. This study lays the foundation for deep, dynamical, spintronic neural networks.

연구 동기 및 목표

• 자기터널접합(MTJs)의 내재된 자화 동역학을 활용해 확장 가능하고 다층적인 스핀트로닉스 신경망을 실현하기 위해.
• 디지털화 없이 직접 RF 신호를 처리할 수 있는 하드웨어 플랫폼을 개발하여 전력 소비를 줄이기 위해.
• 스핀트로닉스 나노컴пон넌트를 사용해 종단 간 비선형적으로 분리 가능한 RF 입력을 분류하기 위해.
• 디지털화 없이도 최신 기술 수준의 성능을 달성할 수 있도록 드론 식별 성능을 최적화하기 위해.

제안 방법

• 자기터널접합(MTJs)은 그들이 지닌 풍부하고 제어 가능한 자화 동역학을 활용하여 나노스케일 시냅스이자 뉴런으로 사용된다.
• RF 신호는 MTJs를 통해 전송, 수신, 처리되어 전통적인 배선 없이 층 간 통신을 가능하게 한다.
• 네트워크 아키텍처는 두 층으로 구성되며, 9개의 MTJ로 이루어져 있으며, 입력 RF 신호가 자화 상태를 조절하여 비선형 계산을 수행한다.
• 물리적 시뮬레이션을 통해 나노스케일 MTJ를 모델링하여 드론 식별과 같은 실제 작업에서의 성능을 평가한다.
• 시스템은 완전히 아날로그 도메인에서 작동하여 고전압의 아날로그-디지털 변환을 피한다.
• 네트워크의 동역학은 랑두-리프시츠-기르베르트 방정식에 의해 지배되어 RF 입력에 대한 복잡한 비선형 변환을 가능하게 한다.

실험 결과

연구 질문

• RQ1 자기터널접합(MTJs)은 다층 스핀트로닉스 신경망에서 시냅스와 뉴런을 모두 구현하는 데 사용될 수 있는가?
• RQ2 RF 신호는 스핀트로닉스 신경망의 층 간 주요 통신 매체로 기능할 수 있는가?
• RQ3 이러한 네트워크는 높은 정확도와 저전력으로 비선형적으로 분리 가능한 RF 입력을 분류할 수 있는가?
• RQ4 이 아키텍처는 디지털화 없이도 실제 작업인 드론 식별에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 두 층에 9개의 MTJ를 사용한 하드웨어 프로토타입이 비선형적으로 분리 가능한 RF 입력을 97.7%의 정확도로 분류하였다.
• 시스템은 완전히 아날로그 도메인에서 작동하여 아날로그-디지털 변환의 필요성을 제거하고 전력 소비를 줄였다.
• 시뮬레이션 결과, 나노스케일 MTJ로 구성된 대규모 네트워크가 RF 방출로 인한 드론 식별을 밀리와트 이하의 전력 소비로 수행할 수 있었다.
• 전력 소비는 현재 최신 기술 기반의 드론 식별 기술보다 4개 이상의 주기수 낮았다.
• 딥러닝 작업에 필수적인 복잡한 비선형 계산을 수행하기 위해 내재된 자화 동역학을 활용하였다.