[论文解读] Reservoir Computing with Planar Nanomagnet Arrays

Peng Zhou, Nathan McDonald+4 more|arXiv (Cornell University)|Mar 24, 2020

Neural Networks and Reservoir Computing参考文献 18被引用 7

一句话总结

本文提出了一种基于具有垂直磁各向异性（PMA）的平面纳米磁体阵列的新型硬件实现，用于储备池计算，利用被动的、非易失性磁相互作用在无外部激励的情况下传播信息。微磁仿真显示，使用仅含20个节点和两个输入节点的小型储备池，能够以100%的准确率识别简单波形（方波和三角波）。

ABSTRACT

Reservoir computing is an emerging methodology for neuromorphic computing that is especially well-suited for hardware implementations in size, weight, and power (SWaP) constrained environments. This work proposes a novel hardware implementation of a reservoir computer using a planar nanomagnet array. A small nanomagnet reservoir is demonstrated via micromagnetic simulations to be able to identify simple waveforms with 100% accuracy. Planar nanomagnet reservoirs are a promising new solution to the growing need for dedicated neuromorphic hardware.

研究动机与目标

• 开发一种适用于受限环境的尺寸、重量和功耗（SWaP）高效的类脑硬件解决方案。
• 利用具有垂直磁各向异性（PMA）的纳米磁体的内在非线性动力学特性进行储备池计算。
• 仅通过磁偶极相互作用，实现储备池内被动的、非易失性信息传播。
• 证明利用纳米磁体阵列作为储备池用于时间模式识别任务的可行性。
• 通过微磁仿真验证波形识别任务中的高性能表现。

提出的方法

• 使用具有垂直磁各向异性（PMA）的20个纳米磁体的平面阵列作为储备池，其中每个纳米磁体的磁化状态基于磁偶极相互作用演化。
• 通过在每3 ns间隔强制特定输入纳米磁体的z分量磁化为+1或-1（分别代表1或0）来编码输入信号。
• 在每个时间步记录所有纳米磁体的磁化矢量作为储备池状态，以捕捉由纳米磁体间相互作用引发的非线性动力学。
• 通过岭回归在记录的储备池状态和期望输出之间训练输出权重，使用单步公式计算：$\mathbf{W^{out}} = \mathbf{yx}^{\top}(\mathbf{xx}^{\top} + \lambda\mathbf{I})^{-1}$。
• 通过将输入馈入储备池，采样储备池状态，并使用忆阻器交叉阵列（MCA）进行向量-矩阵乘法运算，完成推理。
• 通过磁隧道结（MTJs）电学读取磁化状态，实现非易失性、低功耗运行。

实验结果

研究问题

• RQ1 具有PMA的平面纳米磁体阵列是否能在无需主动外部激励的情况下，作为类脑计算的有效储备池？
• RQ2 纳米磁体中内在的非线性磁相互作用在多大程度上能够支持复杂的时间模式识别任务？
• RQ3 基于被动磁耦合的硬件储备池是否能以极低的功耗和面积开销实现高准确率的波形识别？
• RQ4 与传统的基于软件的储备池计算相比，基于纳米磁体的储备池在简单时间任务中的性能如何？
• RQ5 纳米磁体状态的非易失性是否与SWaP受限环境中低功耗、持久计算兼容？

主要发现

• 纳米磁体储备池在训练和测试阶段对方波和三角波的识别均实现了100%的准确率。
• 微磁仿真证实，信息通过磁偶极相互作用在阵列中被动传播，无需外部时钟或主动激励。
• 观察到储备池状态演化具有高度非线性特征，单个纳米磁体的磁化动力学反映出与邻近节点复杂且时变的相互作用。
• 系统成功编码并处理了150组输入对（每种波形25个周期，每种波形6组），性能无任何退化。
• 使用岭回归进行输出权重训练，可在单步计算中实现从储备池状态到期望输出的精确映射。
• 纳米磁体状态的非易失性以及被动信息传播特性，支持低功耗、紧凑且SWaP高效的类脑硬件设计。