九峰山实验室与中科院微电子所、复旦大学团队合作，在用于高度可扩展集成神经形态电路的高能效全自旋突触和神经元器件硬件实现方面取得了重要突破。相关研究成果以“Domain wall magnetic tunnel junction-based artificial synapses and neurons for all-spin neuromorphic hardware”为题在线发表在国际顶级期刊Nature Communications上，并被选为"Editors' Highlight Featured Article"。湖北九峰山实验室资深专家Wang Dandan博士、中国科学院微电子所邢国忠研究员、中国科学院微电子所/复旦大学芯片与系统前沿技术研究院刘明院士为论文共同通讯作者。
文章摘要：神经形态计算是一种新兴信息处理计算范式，在人工智能和大数据分析应用中展现出巨大的潜力。与传统的基于冯·诺依曼架构计算相比，具有更出色的性能，因此引起了国内外广泛关注。模仿人脑生物结构和工作原理的深度神经网络已被广泛应用于图像、语音和视频识别以及数据分类等各个领域，在需要训练巨大数据集的应用中显示出优越的优势。然而，面向构建脉冲神经网络的神经形态硬件的研究处于探索阶段。基于传统CMOS的神经形态芯片通常需要数十个晶体管和若干电容。基于新型存储器等新原理神经元器件亦需集成额外电容或复位操作电路, 且耐久性受限, 难以满足高频神经元器件的信息整合处理需求。自旋电子器件通常具有高能效、高耐久性及更丰富的物理特性，成为神经形态硬件开发最具潜质的载体之一。
深度神经网络由多个层组成并通过具有可更新权重的突触连接。网络会先计算输入和相应突触权重的乘和累加，然后应用激活函数得到该层的输出，作为下一层的输入。具有线性权重调制的突触和具有非线性激活函数的神经元是构建神经网络最重要的基本元素。高效可靠的仿生突触和神经元器件的紧凑型硬件实现是制约神经形态芯片开发的主要挑战。
本项研究将基于新兴非易失性存储器的神经形态器件硬件实现与传统的互补金属氧化物半导体(CMOS)技术相结合，可以提供显著的性能优势，包括非易失性、可扩展性、直接映射突触权重等优点，以及促进神经网络每一层所需的数据阈值、转换和微调等功能。
阻变存储器(RRAM)、铁电存储器(FeRAM)、相变存储器(PCM)、闪存和磁随机存储器(MRAM)等不同类型的非易失性存储器都显示出对神经网络应用的前景，但同时也带来了与非线性、能效、面积开销和可靠性相关的固有挑战。这些挑战使得定制非易失性存储器变得困难，导致学习准确性的损失，并阻碍实现特定的突触或非线性激活功能，对神经网络应用的实际实现提出了重大挑战。
因此当前迫切需要探索不同存储器特征之间的独特性以及与CMOS的协同集成，以在神经形态计算中实现最佳性能。近年来，具有丰富物理特性、可重复和可控磁化动力学的自旋电子器件，正显示出在模拟突触和各种类型神经元功能方面的巨大潜力。
研究团队利用高分辨/扫描透射电子显微镜(HRTEM/STEM)和能量色散X射线谱(EDS)等检测手段, 深入分析了畴壁磁隧道结(DW-MTJ)器件的微观结构特征, 包括原子级晶体结构、界面晶格缺陷以及各功能层的成分分布。这些系统微观结构分析揭示了材料及界面质量对器件整体性能的影响规律。具体来说, 团队研究发现界面晶格失配、缺陷等结构缺陷会对DW-MTJ器件的磁输运特性产生显著影响, 而不同功能层的成分组成和分布也会影响器件的电学稳定性和可靠性。通过优化材料生长工艺和界面工艺, 以及将微观结构表征与宏观性能进行关联分析,可为DW-MTJ器件性能的持续优化和可靠性提升提供指导。
进一步，基于具有独特磁畴壁动力学特性MTJs可以通过全电学驱动方法精确操作，由于MTJ磁电阻和可编程式激励之间固有的线性关系，使其成为应用于神经网络中线性权重更新和非线性激活函数的理想候选者。团队利用自旋-轨道耦合和界面 Dzyaloshinskii-Moriya interaction协同效应, 实现了可编程的多态突触器件且具有高可靠性。系统的第一性原理计算证实，5d-3d原子间距的减小增强了Dzyaloshinskii-Moriya反对称相互作用，结合高能效自旋轨道矩(SOT)全电控磁畴壁驱动，可实现稳定可靠的畴壁钉扎与退钉扎。
研究人员展示了一种具有S形激活功能的自旋神经元，能够实现高达20MHz的高操作频率和508fJ/操作的低能耗。此外，团队还提出了一种具有紧凑的S形单元面积和低功耗的神经元电路设计，并进行了验证实验。畴壁磁隧道结在全自旋神经形态计算硬件开发中展现出巨大潜力，为高能效和可扩展的神经网络架构提供了硬件开发的新路径。
总之，神经形态计算凭借其出色的性能和广泛应用前景，引起了众多研究者的广泛关注。中国科学家在该领域取得的重要突破，为进一步推动神经形态计算的发展奠定了坚实基础。未来将继续探索更多创新性的解决方案，以推动神经形态计算硬件向更高效、可靠和可扩展的方向发展。
