大脑

人脑是个高度发达的系统，它可以高效执行复杂任务例如图像和语音识别，消耗的能量却远低于当今计算机进行同类任务时的消耗。因此，几十年来，开发能像人脑一样高能效且可调的人工神经元，一直是科学界主要的研究目标。

最近，哥德堡大学和东北大学研究团队在这方面取得了进展。他们展示了一种新颖的电压控制自旋电子微波振荡器，能够高度模仿非线性振荡神经网络的人脑。

该研究小组开发了一种电压控制的自旋电子振荡器，该振荡器的性能可以精密调节，而能耗却可以降到忽略不计的程度。

这是一项重要的突破，这种自旋霍尔纳米振荡器(SHNO)是充当基于振荡器的相互作用神经元的良好物质，但迄今为止一直缺乏节能的调整方案，但这又是训练认知神经形态神经网络的基本前提。

未来，这项技术还可能扩展到驱动大型复杂振荡神经网络中每对自旋电子神经元之间突触相互作用的调节。

今年早些时候，哥德堡大学的研究人员首次展示了可容纳100个SHNO的2D相互同步阵列，同时占用的面积小于平方微米。该网络可以模仿我们大脑中的神经元互动，并执行认知任务。但是，训练这种人工神经元对不同输入产生不同响应的主要瓶颈是缺少控制这种网络内部单个振荡器的方案。

他们与东北大学的研究人员合作，开发了由超薄W / CoFeB / MgO材料叠层制成的蝶形领结型自旋霍尔纳米振荡器，并在振荡上方增加了电压控制门的功能区域，利用一种称为压控磁各向异性(VCMA)的效应，可以直接控制由几个原子层组成的CoFeB铁磁体的磁和磁动力学性质，以修改微波频率、振幅、阻尼，从而改变阈值电流。

研究人员还发现，在弓形几何结构中，使用-3至+1伏的电压，SHNO的巨大调制幅度高达42%。因此，所展示的方法能够在由单个全局驱动电流驱动的大型同步振荡网络中独立地打开/关闭各个振荡器。这些发现也很有价值，因为它们揭示了图案化磁性纳米结构中能量弛豫的新机制。

研究人员指出：“通过对单个自旋电子神经元的动态状态进行随时可用的节能独立控制，我们希望有效地训练大型SHNO网络以执行复杂的神经形态任务，并将基于振荡器的神经形态计算方案扩展到更大的网络规模。”

译/前瞻经济学人APP资讯组

参考资料：

[1]https://techxplore.com/news/2020-08-energy-efficient-tuning-spintronic-neurons.html

[2]https://www.nature.com/articles/s41467-020-17833-x