[论文解读] Proposal For Neuromorphic Hardware Using Spin Devices

Mrigank Sharad, Charles Augustine+2 more|arXiv (Cornell University)|Jun 14, 2012

Advanced Memory and Neural Computing参考文献 18被引用 41

一句话总结

本文提出了一种新颖的神经形态硬件架构，采用自旋电子器件——特别是横向自旋阀和畴壁磁体——实现超低功耗计算。通过利用磁性隧道结（MTJs）实现与CMOS的接口，并采用器件-电路协同仿真，该设计在包括认知计算和信号处理在内的多种应用中，计算功耗比最先进的CMOS实现降低了15倍至300倍。

ABSTRACT

We present a design-scheme for ultra-low power neuromorphic hardware using emerging spin-devices. We propose device models for 'neuron', based on lateral spin valves and domain wall magnets that can operate at ultra-low terminal voltage of ~20 mV, resulting in small computation energy. Magnetic tunnel junctions are employed for interfacing the spin-neurons with charge-based devices like CMOS, for large-scale networks. Device-circuit co-simulation-framework is used for simulating such hybrid designs, in order to evaluate system-level performance. We present the design of different classes of neuromorphic architectures using the proposed scheme that can be suitable for different applications like, analog-data-sensing, data-conversion, cognitive-computing, associative memory, programmable-logic and analog and digital signal processing. We show that the spin-based neuromorphic designs can achieve 15X-300X lower computation energy for these applications; as compared to state of art CMOS designs.

研究动机与目标

• 开发一种神经形态硬件平台，实现认知和信号处理任务的超低功耗。
• 通过利用新兴的自旋电子器件，解决传统CMOS基神经形态系统日益增长的能效低效问题。
• 设计可扩展的混合自旋-CMOS架构，能够支持多种神经形态工作负载。
• 在基于自旋的神经元器件中实现低电压运行（约20 mV），以最小化每次计算的能量消耗。
• 通过器件-电路协同仿真验证系统级性能，适用于现实世界中的神经形态应用。

提出的方法

• 设计一种基于横向自旋阀和畴壁磁体的自旋电子神经元，以实现超低终端电压运行（约20 mV）。
• 采用磁性隧道结（MTJs）作为自旋基神经元与电荷基CMOS电路之间的接口元件。
• 开发器件-电路协同仿真框架，以评估混合自旋-CMOS神经形态系统的性能。
• 利用所提出的自旋器件构建多种神经形态系统类别，包括模拟传感、关联记忆和信号处理。
• 利用自旋输运现象和磁畴动力学，以低能耗方式实现突触和神经元功能。
• 通过仿真优化器件参数和网络拓扑，以最大化能效和功能多样性。

实验结果

研究问题

• RQ1 横向自旋阀和畴壁磁体等自旋电子器件能否有效用于实现低功耗神经形态神经元？
• RQ2 磁性隧道结在多大程度上能够实现自旋基神经元与传统CMOS电路之间的高效接口？
• RQ3 与最先进的CMOS基设计相比，基于自旋的神经形态系统的可实现能效如何？
• RQ4 当使用所提出的基于自旋的组件构建时，不同神经形态系统架构（如认知计算、信号处理）的性能如何？
• RQ5 器件-电路协同仿真能否准确预测混合自旋-CMOS神经形态系统的性能和可扩展性？

主要发现

• 所提出的基于自旋的神经形态硬件在多个应用类别中，计算功耗比最先进的CMOS设计降低了15倍至300倍。
• 基于横向自旋阀和畴壁磁体的神经元器件工作在约20 mV的超低终端电压下，显著降低了每次操作的能量消耗。
• 磁性隧道结有效实现了自旋电子神经元与CMOS电路之间的信号接口，确保与现有电子系统的兼容性。
• 器件-电路协同仿真框架成功验证了混合自旋-CMOS神经形态架构在多种工作负载下的性能。
• 该设计支持广泛的应用，包括模拟数据传感、认知计算、关联记忆，以及模拟和数字信号处理。
• 结果表明，自旋电子器件是下一代超低功耗神经形态计算系统中极具潜力的候选方案。