[论文解读] Voltage Controlled Energy Efficient Domain Wall Synapses with Stochastic Distribution of Quantized Weights in the Presence of Thermal Noise and Edge Roughness

Walid Al Misba, Tahmid Kaisar+2 more|arXiv (Cornell University)|Oct 20, 2020

Advanced Memory and Neural Computing参考文献 68被引用 21

一句话总结

该论文提出了一种在压电嵌入式纳米线道中实现的电压控制、应变工程化的畴壁突触，通过调制垂直磁各向异性（PMA）实现多状态突触权重。通过结合固定自旋轨道扭矩（SOT）电流脉冲与压电基底产生的电压诱导应变，系统在理想条件下实现5状态操作，在热噪声和边缘粗糙度下实现3状态操作，每次突触更新的能量耗散低于4 fJ，因此非常适用于能效高、量化神经形态计算。

ABSTRACT

We propose energy efficient strain control of domain wall (DW) in a perpendicularly magnetized nanoscale racetrack on a piezoelectric substrate that can implement multi state synapse to be utilized in neuromorphic computing platforms. In conjunction with SOT from to a current flowing in the heavy metal layer, strain is generated by applying a voltage across the piezoelectric. Such a strain is mechanically transferred to the racetrack and modulates the Perpendicular Magnetic Anisotropy (PMA). When different voltages are applied (i.e. different strains are generated), it can translate the DW to different distances for the same current which implements different synaptic weights. We have shown using micromagnetic simulations that 5-state and 3-state synapse can be implemented in a racetrack that is modeled with natural edge roughness and room temperature thermal noise. Such strain-controlled synapse has an energy consumption of few fJs and could thus be very attractive to implement energy-efficient quantized neural networks, which has been shown recently to achieve near equivalent classification accuracy to the full-precision neural networks.

研究动机与目标

• 开发一种在真实条件下（包括热噪声和边缘粗糙度）运行的能效高、可重编程的突触器件，用于神经形态计算。
• 利用SOT驱动的纳米线道中PMA的电压控制应变调制，实现多状态突触权重。
• 实现极低能量的突触更新（亚fJ至几fJ），适用于边缘设备和量化神经网络的原位训练。
• 证明设备变异性和由噪声与粗糙度引起的随机性可被利用而非抑制，从而在量化学习框架中实现鲁棒运行。

提出的方法

• 在压电基底上制备Pt/CoFe/MgO/CoFe磁隧道结（MTJ）多层膜，形成具有手性Néel畴壁的纳米线道。
• 在上下电极之间施加电压脉冲，使压电基底产生机械应变，通过磁致弹性耦合调制自由层的PMA。
• 在Pt层中施加固定幅度、固定持续时间的自旋轨道扭矩（SOT）电流脉冲，驱动畴壁（DW）在线道中运动。
• 由于边缘粗糙度和势能极小值，DW在不同位置被锁定，平衡位置的统计分布取决于PMA的调制。
• 使用MUMAX3中的Landau–Lifshitz–Gilbert–Slonczewski方程进行微磁仿真，模拟磁化动力学，包括SOT、双交换相互作用（DMI）、热噪声和应力诱导的PMA变化。
• 在零温与室温（300 K）条件下评估系统，边缘粗糙度变化范围为3–6 nm RMS，突触状态通过将DW位置分箱为3或5个离散级别来定义。

实验结果

研究问题

• RQ1 在存在热噪声和边缘粗糙度的情况下，压电基底中的电压控制应变调制能否实现对畴壁位置的确定性控制，以实现多状态突触权重？
• RQ2 在纳米线道中，利用应变和SOT重编程突触权重所需的最小能量是多少？
• RQ3 由边缘粗糙度和热噪声引起的设备变异性如何影响畴壁平衡位置的统计分布？
• RQ4 畴壁定位的固有随机性是否可被用于支持具有随机权重的训练，从而提升量化神经网络的分类准确率？
• RQ5 在真实制造和运行条件下，可实现的独立突触状态的最大数量是多少？

主要发现

• 在零温条件下，500 nm × 500 nm线道中，3 nm RMS边缘粗糙度下，该器件可实现5状态突触操作。
• 在室温热噪声和6 nm RMS边缘粗糙度下，仅能可靠实现3状态突触操作，且各状态间重叠最小。
• 每次突触权重更新的能量耗散估计约为3.62 fJ，其中约1.2 fJ用于压电充电，约2.42 fJ用于SOT电流路径中的I²R损耗。
• 畴壁位置的统计分布显示，不同PMA水平（由电压脉冲诱导）下具有明显不同的均值，支持多级权重表示。
• 通过选择性地放置凹槽或凸起陷阱，可减少突触状态间的重叠，为实现更高状态数提供路径。
• 系统固有的随机性（源于热噪声和边缘粗糙度）与量化神经网络中的训练兼容，其中随机权重更新可提升性能。