[论文解读] Simulation studies of an All-Spin Artificial Neural Network: Emulating neural and synaptic functionalities through domain wall motion in ferromagnets.

Abhronil Sengupta, Yong Shim+1 more|arXiv (Cornell University)|Oct 2, 2015

Advanced Memory and Neural Computing被引用 3

一句话总结

本文提出了一种全自旋人工神经网络，其中单个自旋电子器件通过铁磁体中的畴壁运动同时模拟神经元和突触，实现了超低功耗的神经计算。器件级仿真显示，与传统CMOS实现相比，该方法在模式识别任务中可实现约100倍的能效提升。

ABSTRACT

Non-Boolean computing based on emerging post-CMOS technologies can potentially pave the way for low-power neural computing platforms. However, existing work on such emerging neuromorphic architectures have either focused on solely mimicking the neuron, or the synapse functionality. While memristive devices have been proposed to emulate biological synapses, spintronic devices have proved to be efficient at performing the thresholding operation of the neuron at ultra-low currents. In this work, we propose an All-Spin Artificial Neural Network where a single spintronic device acts as the basic building block of the system. The device offers a direct mapping to synapse and neuron functionalities in the brain while inter-layer network communication is accomplished via CMOS transistors. To the best of our knowledge, this is the first demonstration of a neural architecture where a single nanoelectronic device is able to mimic both neurons and synapses. The ultra-low voltage operation of low resistance magneto-metallic neurons enables the low-voltage operation of the array of spintronic synapses, thereby leading to ultra-low power neural architectures. Device-level simulations, calibrated to experimental results, was used to drive the circuit and system level simulations of the neural network for a standard pattern recognition problem. Simulation studies indicate energy savings by ~ 100x in comparison to a corresponding digital/ analog CMOS neuron implementation.

研究动机与目标

• 开发一种低功耗类脑架构，将神经元与突触功能统一于单一纳米电子器件中。
• 克服现有后CMOS类脑设计仅分别模拟神经元或突触的局限性。
• 通过利用低电阻磁性金属神经元的阈值特性，实现神经网络的超低电压运行。
• 通过校准的器件与电路仿真，验证系统级可行性，用于模式识别任务。

提出的方法

• 利用基于铁磁材料中畴壁运动的单个自旋电子器件，同时执行突触加权与神经元阈值功能。
• 采用CMOS晶体管实现神经网络各层之间的层间通信。
• 将器件级仿真与实验数据进行校准，以确保对自旋电子行为的可靠建模。
• 使用标准模式识别基准进行电路与系统级仿真，以评估性能。
• 利用磁性金属神经元的超低电流特性，实现整个突触阵列的低电压运行。
• 将自旋电子器件与CMOS集成，实现混合运行，确保与传统互连技术的兼容性。

实验结果

研究问题

• RQ1 单个自旋电子器件是否能够同时在神经网络中模拟突触与神经元功能？
• RQ2 所提出的全自旋人工神经网络与传统CMOS实现相比，其能效表现如何？
• RQ3 铁磁体中的畴壁运动在多大程度上可实现低电压、低功耗的神经计算？
• RQ4 全自旋人工神经网络在标准模式识别任务中的系统级性能如何？

主要发现

• 所提出的全自旋人工神经网络相比等效的数字/模拟CMOS神经元实现，能量消耗降低了约100倍。
• 单个自旋电子器件通过畴壁运动成功模拟了突触加权与神经元阈值功能。
• 低电阻磁性金属神经元使超低电压运行成为可能，显著降低了功耗需求。
• 器件级仿真已成功校准至实验结果，确保了系统级仿真的可靠性。
• 系统级仿真表明，采用混合自旋电子-CMOS架构可实现模式识别任务的可行性。
• 该架构首次实现了单一纳米电子器件同时承担神经元与突触双重角色的神经网络系统。