[论文解读] Straintronic spin-neuron

Ayan Biswas, Jayasimha Atulasimha+1 more|arXiv (Cornell University)|Apr 3, 2015

Magnetic properties of thin films参考文献 32被引用 4

一句话总结

本文提出了一种应变电型自旋神经元，利用电压诱导的机械应变来切换磁隧道结（MTJ），而非自旋极化电流，从而实现比电流驱动的自旋神经元低几个数量级的能量耗散。在绝对零度下，其每次放电仅耗散2.4 fJ能量；即使在室温下，其能效仍比基于CMOS的神经元高出290倍，且热退化程度远低于电流驱动的同类器件。

ABSTRACT

In artificial neural networks, neurons are usually implemented with highly dissipative CMOS-based operational amplifiers. A more energy-efficient implementation is a 'spin-neuron' realized with a magneto-tunneling junction (MTJ) that is switched with a spin-polarized current (representing weighted sum of input currents) that either delivers a spin transfer torque or induces domain wall motion in the soft layer of the MTJ. Here, we propose and analyze a different type of spin-neuron in which the soft layer of the MTJ is switched with mechanical strain generated by a voltage (representing weighted sum of input voltages) and term it straintronic spin-neuron. It dissipates orders of magnitude less energy in threshold operations than the traditional current-driven spin neuron at 0 K temperature and may even be faster. We have also studied the room-temperature firing behaviors of both types of spin neurons and find that thermal noise degrades the performance of both types, but the current-driven type is degraded much more than the straintronic type if both are optimized for maximum energy-efficiency. On the other hand, if both are designed to have the same level of thermal degradation, then the current-driven version will dissipate orders of magnitude more energy than the straintronic version. Thus, the straintronic spin neuron is superior to current-driven spin neurons.

研究动机与目标

• 解决基于CMOS的神经元在人工神经网络中能量耗散过高的问题。
• 克服电流驱动自旋神经元在室温下因高能量耗散和严重热噪声退化带来的局限性。
• 提出并分析一种新型电压驱动自旋神经元架构，利用应变诱导磁化切换以提升能效。
• 在室温热噪声条件下，比较应变电型与电流驱动自旋神经元的性能。
• 评估应变电型自旋神经元在实际神经计算应用中的可行性。

提出的方法

• 应变电型自旋神经元采用具有磁致伸缩或 multiferroic 软层的磁隧道结（MTJ），通过外加电压产生的机械应变实现开关。
• 输入电压和偏置通过电阻网络叠加，生成加权电压作用于压电层，从而产生应变以切换MTJ的磁化方向。
• 利用随机Landau-Lifshitz-Gilbert（LLG）方程建模开关阈值，以模拟室温下的热噪声效应。
• 能量耗散基于电阻网络中的电阻损耗（I²R）和压电层上的电压降进行计算。
• 通过模拟热噪声下的开关轨迹并测量阈值展宽（ΔI/I_th），将性能与电流驱动自旋神经元进行对比。
• 研究采用随机LLG仿真分析应变电型与电流驱动配置的开关动力学及热退化特性。

实验结果

研究问题

• RQ1 在磁致伸缩MTJ中，电压诱导的应变是否能够实现低功耗、非易失性神经元，用于人工神经网络？
• RQ2 在绝对零度和室温下，应变电型自旋神经元的能量耗散与电流驱动自旋神经元相比如何？
• RQ3 热噪声对应变电型与电流驱动自旋神经元的阈值放电行为退化程度有多大？
• RQ4 能否在不带来极高能量成本的前提下，缓解电流驱动自旋神经元的热退化？
• RQ5 在真实的室温条件下，应变电型自旋神经元是否比电流驱动版本更具鲁棒性？

主要发现

• 在绝对零度下，应变电型自旋神经元每次放电仅耗散2.4 fJ能量，远低于CMOS神经元报道的0.7 pJ，低几个数量级。
• 即使在室温下，应变电型自旋神经元的能效仍约为CMOS神经元的290倍，尽管存在热噪声影响。
• 热噪声导致电流驱动自旋神经元的阈值显著展宽，仿真中ΔI/I_th达到69.92%，严重降低性能。
• 对于电流驱动自旋神经元，若将阈值展宽控制在1%，需将阈值电流提高69倍，导致能量耗散达1.23 nJ，使其能效比CMOS差1768倍。
• 即使采用自旋霍尔效应和垂直各向异性等改进措施，电流驱动自旋神经元仍因高能耗而难以在能效上超越CMOS。
• 应变电型自旋神经元表现出远低于电流驱动版本的热退化，即使在室温热噪声条件下仍保持优异的能效。