[论文解读] Multilayer spintronic neural networks with radio-frequency connections

Andrew Ross, Nathan Leroux+19 more|arXiv (Cornell University)|Nov 7, 2022

Advanced Memory and Neural Computing被引用 5

一句话总结

本文提出了一种多层自旋电子神经网络，利用磁隧道结（MTJs）作为突触和神经元，通过射频（RF）信号进行通信，实现端到端、模拟化、低功耗的非线性可分射频输入分类。硬件原型在分类非线性可分射频模式时达到97.7%的准确率，仿真显示功耗低于1毫瓦，且无需数字化处理即可实现最先进的无人机识别性能。

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.

研究动机与目标

• 通过利用磁隧道结（MTJs）的本征磁化动力学，实现可扩展的多层自旋电子神经网络。
• 开发一种可直接处理射频信号而无需数字化的硬件平台，以降低功耗。
• 展示使用自旋电子纳米组件对非线性可分射频输入进行端到端分类。
• 在无需数字化处理的情况下，实现无人机识别任务的最先进性能，且功耗极低。

提出的方法

• 通过利用其丰富的、可调控的磁化动力学，将磁隧道结（MTJs）用作纳米尺度的突触和神经元。
• 通过MTJs传输、接收和处理射频信号，实现在无传统布线情况下的层间通信。
• 网络架构由两层组成，共九个MTJs，其中输入射频信号调制磁化状态以执行非线性计算。
• 物理仿真对纳米尺度MTJs进行建模，以评估其在无人机识别等实际任务中的性能。
• 系统完全在模拟域运行，避免了功耗高昂的模数转换。
• 网络的动力学由朗道-李福希兹-吉尔伯特方程控制，能够对射频输入执行复杂且非线性的变换。

实验结果

研究问题

• RQ1 磁隧道结能否用于在多层自旋电子神经网络中同时实现突触和神经元功能？
• RQ2 射频信号能否作为自旋电子神经网络中层间通信的主要媒介？
• RQ3 此类网络能否以高准确率和低功耗对非线性可分射频输入进行分类？
• RQ4 该架构能否在无需数字化处理的情况下，实现在无人机识别等实际任务中的最先进性能？

主要发现

• 由两层九个MTJs组成的硬件原型在分类非线性可分射频输入时达到97.7%的准确率。
• 系统完全在模拟域运行，消除了对模数转换的需求，从而降低功耗。
• 仿真结果表明，大规模纳米尺度MTJ网络可实现对无人机射频发射信号的识别，功耗低于1毫瓦。
• 该系统的功耗比当前最先进的无人机识别技术低四个多数量级。
• 该网络利用本征磁化动力学执行复杂且非线性的计算，这对于深度学习任务至关重要。