Spintronics for neuromorphic computing
神经形态计算使用受大脑启发的原理来设计电路，这些电路可以以比传统计算机更高的功率效率执行计算任务。然而，使用传统电子设备来创建人工神经元和突触的方法目前受到这些组件的能量和面积要求的限制。自旋电子纳米器件利用电子的磁性和电性，可以提高能量效率并减少这些电路的面积，并且磁性隧道结作为神经形态计算元件特别令人感兴趣，因为它们与标准集成电路兼容并且可以支持多种功能。在这里，我们回顾了神经形态计算自旋电子器件的发展。我们研究如何磁隧道结可以作为突触和神经元，以及如何磁纹理，如域壁和skyrmions，可以作为神经元。我们还探讨了基于自旋电子学的神经形态计算任务的实现，如关联记忆中的模式识别，并讨论了这些系统中存在的挑战。
2020-07-12 cond-mat.mtrl-sci physics.app-ph
Artificial Neural Network (ANN) -- Oscillatory Neural Network (ONN) Hybrid System Using Domain-Wall Synapse Devices and Nano-Constriction Spin Hall Nano Oscillators
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Centre for Semiconductor Technologies (SemiX), Indian Institute of Technology Bombay（印度理工学院半导体技术中心 (SemiX)）
本文提出了一种结合人工神经网络和振荡神经网络的混合系统，利用纳米收缩几何结构和磁域墙突触器件实现高效数据分类。
2026-02-22 cond-mat.mes-hall physics.app-ph
Dual Micro-Ring Resonators with Angular GST Modulation: Enabling Ultra-Fast Nonlinear Activation for Neuromorphic Photonics
本文提出一种结合GST相变材料的全光双微环谐振器架构，通过角向GST调制实现超窄带高精度非线性激活，为高速神经形态光子计算提供新方案。
2025-04-10 physics.app-ph physics.optics
Towards Improved Polarization Uniformity in Ferroelectric Hf$_{0.5}$Zr$_{0.5}$O$_2$ Devices within Back End of Line Thermal Budget for Memory and Neuromorphic Applications
本文通过热工程方法改善铁电Hf$_{0.5}$Zr$_{0.5}$O$_2$器件的晶圆级极化均匀性，提升可靠性，以支持超低功耗存储和神经形态计算集成。
2024-12-15 cond-mat.mtrl-sci physics.app-ph
A semi-analytical model to simulate the spin-diode effect and accelerate its use in neuromorphic computing
自旋二极管效应的实验研究和我们原来的半解析方法。后者是基于改进版本的Thiele方程的方法（TEA），我们结合微磁模拟数据，以准确地模拟自旋扭矩涡旋振荡器（STVO）的非线性动力学。这种称为数据驱动的Thiele方程方法（DD-TEA）的原始方法吸收了分析模型和微磁模拟之间的差异，以提供超快速和定量的模型。DD-TEA模型的预测也非常符合实验数据。反转的自旋二极管效应与手性的旋涡，输入电流的影响和在一半的STVO频率的变化的起源，以及模型再现实验行为的能力。最后，自旋二极管效应和它的模拟使用DD-TEA模型进行了讨论，作为一个有前途的前景，在神经形态计算的框架。
2023-01-27 cond-mat.mes-hall physics.app-ph
A high-performance MoS2 synaptic device with floating gate engineering for Neuromorphic Computing
二硫化钼（MoS 2）作为二维硫族化合物家族中最重要的成员之一，在低维电子、光电和压电设计的发展中发挥着重要作用。在这里，我们展示了一种新的方法，固态突触晶体管使用二维二硫化钼浮栅存储器。通过使用一个扩展的浮栅架构，它允许该设备在近理想的亚阈值摆幅为77 mV/十年以上的漏极电流的四十年，我们已经实现了一个电荷隧道为基础的突触存储器的性能媲美的最先进的神经形态设计。该装置成功地展示了生物突触的各种特征，包括通道电导的脉冲增强和松弛，以及尖峰时间依赖性可塑性（STDP）。我们的设备返回了出色的能效数据，并为未来的神经形态应用提供了一个基于二维纳米片的强大平台。
2019-04-06 cond-mat.mes-hall cs.ET physics.app-ph
Designing high endurance Hf0.5Zr0.5O2 capacitors through engineered recovery from fatigue for non-volatile ferroelectric memory and neuromorphic hardware
本文通过工程化材料叠层与退火工艺设计出可多次从疲劳中恢复的Hf0.5Zr0.5O2铁电电容器，室温耐久性超过10^9次循环，适用于超低功耗非易失性存储器和神经形态计算。
2024-09-01 cond-mat.mtrl-sci physics.app-ph
Ultralow-loss domain wall motion driven by magnetocrystalline anisotropy gradient in antiferromagnetic nanowire
寻找控制反铁磁畴壁的新方法是反铁磁自旋电子器件工作的重要问题之一。本文从理论上研究了AFM纳米线畴壁在外加电场产生的轴向各向异性梯度驱动下的运动，从而实现了AFM畴壁运动的电控制，并具有极低的能量损耗。基于Landau-Lifshitz-Gilbert方程，利用能量耗散定理，模拟了畴壁速度随各向异性梯度大小和材料本征性质的变化。结果表明，在小梯度下，畴壁的运动速度接近恒定，而在大梯度下，由于畴壁宽度的增大，畴壁的运动速度加快。畴壁迁移率与晶格尺寸和畴壁类型无关，但Dzyaloshinskiii-Moriya相互作用增强了畴壁迁移率。此外，原子力显微镜壁动力学比铁磁壁动力学快得多的物理机制进行了定性解释。这项工作揭示了一个有前途的策略，用于控制AFM畴壁，有利于未来的AFM自旋电子应用。
2019-09-10 cond-mat.mes-hall physics.app-ph
Electric-Field-Controlled Altermagnetic Transition for Neuromorphic Computing
Beihang University（北京航空航天大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Beijing University of Technology（北京工业大学）
通过电场调控交替磁性相变实现神经形态计算中的可编程电阻状态，实现高准确率的模式识别。
2025-12-11 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
Ultrafast depinning of domain wall in notched antiferromagnetic nanostructures
反铁磁畴壁的钉扎与脱钉扎是反铁磁自旋电子学的核心问题。在这项工作中，我们从理论上研究了Néel型畴壁钉扎和反铁磁（AFM）纳米带中的缺口脱钉扎。推导了退钉场随切口尺寸和本征物理参数的变化规律，并进行了数值计算。结果表明，退钉扎场与阻尼常数有显著的相关性，弱阻尼区畴壁位置随时间的振荡有利于畴壁的退钉扎，随着阻尼常数的增大，退钉扎场逐渐增大直至饱和.采用考虑畴壁内部动力学的一维模型对模拟结果进行了较好的解释。结果表明，AFM畴壁的脱钉机制不同于铁磁畴壁，脱钉速度通常比后者快三个数量级，表明AFM系统的超快动力学。
2019-05-07 cond-mat.mes-hall physics.app-ph
Full Electrical Switching of a Freestanding Ferrimagnetic Metal for Energy-Efficient Bipolar Neuromorphic Computing
通过水溶性牺牲层实现自由悬挂铁磁金属膜的全电气开关，用于高效双极神经形态计算。
2025-12-07 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
Neuromorphic information processing using ultrafast heat dynamics and quench switching of an antiferromagnet
本文利用CuMnAs反铁磁体中激光诱导的亚纳秒热动力学和淬灭开关分别模拟短期与长期记忆，实现了时间延迟编码和脉冲模式识别，为新型神经形态计算架构设计提供了新途径。
2024-10-22 cond-mat.mtrl-sci physics.app-ph
Improvement of FTJ on-current by work function engineering for massive parallel neuromorphic computing
基于HfO 2的铁电隧道结（FTJ）在神经形态应用中表现出有吸引力的特性。超低功耗多电平开关能力与低导通电流密度的结合表明了其在大规模并行计算电路中的应用。在这项工作中，我们讨论了一个示例电路的差分突触细胞具有多个并联连接的FTJ设备。此外，从电路要求中，我们推断出电流的绝对差（Ion-Ioff）是比隧穿电阻比（TER）更关键的品质因数。在此基础上，我们讨论了FTJ器件优化的潜力，通过电极功函数工程在双层HZO/Al 2 O3 FTJ。
2022-11-01 cond-mat.mtrl-sci cs.ET physics.app-ph
Photonics for artificial intelligence and neuromorphic computing
由于光子集成平台上光电元件的激增，光子计算的研究蓬勃发展。光子集成电路使超快人工神经网络成为可能，为一类新的信息处理机器提供了框架。在这样的硬件上运行的算法有可能满足医疗诊断、电信以及高性能和科学计算等领域对机器学习和人工智能日益增长的需求。与此同时，神经形态电子学的发展突出了该领域的挑战，特别是与处理器延迟相关的挑战。神经形态光子学提供了亚纳秒级的激光，为扩展人工智能领域提供了一个互补的机会。在这里，我们回顾了集成光子神经形态系统的最新进展，讨论了当前和未来的挑战，并概述了满足这些挑战所需的科学和技术的进步。
2020-11-12 cs.NE physics.app-ph physics.optics
Shape-based Magnetic Domain Wall Drift for an Artificial Spintronic Leaky Integrate-and-Fire Neuron
基于畴壁（DW）运动通过铁磁纳米线轨道的自旋电子器件作为神经形态信息处理系统的组成部分受到了极大的关注。以前的自旋电子人工神经元的提议需要外部刺激来执行泄漏功能，这是泄漏集成和激发（LIF）神经元的三个基本功能之一。这种外部磁场或电流刺激的使用导致能量效率的降低或制造复杂性的增加。在这项工作中，我们修改了之前展示的三端磁隧道结神经元的形状，以在没有任何外部刺激的情况下执行泄漏操作。梯形结构导致基于形状的DW漂移，因此本质上提供了泄漏功能而没有硬件成本。因此，这种LIF神经元有望推动自旋电子神经网络交叉阵列的发展。
2019-05-14 cond-mat.mes-hall cs.ET physics.app-ph
Chalcogenide optomemristors for multi-factor neuromorphic computation
设备和电路上的神经处理正迅速成为模拟生物神经网络的流行方法。已经采用了精细的CMOS和忆阻技术来实现这一点，包括基于硫族化物的存内计算概念。在这里，我们表明，纳米级的硫属化物半导体薄膜可以作为构建块的新型神经计算，其可调的电子和光学特性的联合利用。我们证明了锗掺杂硒化物的非线性光活性腔可以模拟三因素新赫布塑性和分流抑制的计算功能强大的非线性操作。我们应用这个属性来解决一个迷宫游戏，通过强化学习，以及一个单神经元解决方案的XOR，这是一个线性不可分割的问题与点神经元。我们的研究结果指出了一种新的忆阻器，对类脑计算具有广泛的意义。
2021-07-02 cs.ET physics.app-ph
Transparent conductive oxides and low loss nitride-rich silicon waveguides as building blocks for neuromorphic photonics
提出一种结合低损耗富氮化硅波导与透明导电氧化物的新型光子平台，利用其高非线性与双稳态特性，实现完全兼容CMOS的光子存储器件，以突破电子处理限制并构建超快人工神经网络。
2023-07-31 cs.ET physics.app-ph physics.optics
Voltage Gated Domain Wall Magnetic Tunnel Junction-based Spiking Convolutional Neural Network
提出了一种新的基于自旋轨道矩（SOT）驱动和电压门控畴壁运动（DWM）的MTJ器件及其在神经形态计算中的应用。我们表明，通过利用DWM上的压控门控效应，可以消除存取晶体管。该器件提供了对单个突触书写的更多控制，并显示出高度线性的突触行为。材料参数，如温度和温度的线性依赖性进行评估，用于实际环境的性能分析。此外，使用基于skyrmion的泄漏积分和激发神经元模型，我们在CIFAR-10数据集上实现了用于模式识别应用的尖峰卷积神经网络。该装置的准确率在85%以上，证明了其在SNN中的适用性。
2022-12-19 cs.ET physics.app-ph
Polarization-controlled volatile ferroelectric and capacitive switching in Sn$_2$P$_2$S$_6$
在硬件层面支持神经形态计算的智能电子电路需要具有忆阻、忆容和神经形态类功能特性的材料;简而言之，电子响应必须取决于电压历史，从而实现学习算法。在这里，我们证明了挥发性铁电开关的Sn $_2$ P $_2$ S $_6$在室温下，并看到初始极化方向强烈地决定了极化开关的属性。特别地，极化切换滞后强烈地由原始极化状态压印，将非线性区域向零偏置移位。作为一个必然结果，极化切换也实现了有效的电容切换，接近受欢迎的忆电容机制。Landau-Ginzburg-Devonshire模拟表明，极化可以控制磁滞回线的形状的一种机制是存在带电畴壁装饰的复极化核的外围。这些墙反对的增长的开关域，有利于回开关，从而创造了一个可控的挥发性铁电开关的情况。虽然测量是用单晶进行的，但可以通过定制样品厚度、畴壁迁移率和电场来调谐预期的易失性极化切换，从而为智能电子电路的非线性介电特性铺平道路。
2022-08-26 cond-mat.mtrl-sci physics.app-ph
2D Spintronics for Neuromorphic Computing with Scalability and Energy Efficiency
本综述梳理了面向神经形态计算的2D自旋电子学进展，介绍了相关技术、材料与器件性能，为下一代可扩展高能效计算架构的发展提供基础。
2025-03-13 cond-mat.mtrl-sci physics.app-ph
Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation
由于CMOS驱动的冯·诺依曼计算的局限性，使用自旋电子器件的神经形态计算已经引起了人们的兴趣。畴壁磁性隧道结（DW-MTJ）器件已被证明能够固有地捕获生物神经元行为。边缘松弛行为，其中频繁激发的神经元经历较低的动作电位阈值，可以在执行重复任务时提供附加的人工神经元功能。在这项研究中，我们证明了这种行为可以通过三种替代机制：形状各向异性，磁场，和电流驱动的软复位在DW-MTJ人工神经元中实现。使用微磁学和分析设备建模来对Optdigits手写数字数据集进行分类，我们表明边缘放松行为提高了有序数据集的分类准确性和分类率，同时牺牲了随机数据集的很少或没有准确性。这项工作建立了人工自旋电子神经元可以灵活地适应数据集的方法。
2021-01-08 cond-mat.mes-hall cs.ET cs.NE
Ultrafast domain wall motion in ferrimagnets induced by magnetic anisotropy gradient
补偿亚铁磁体中的超快磁动力学不仅提供了类似于反铁磁动力学的信息，而且更重要的是为未来的自旋电子器件开辟了新的机会[Kim等人，Nat.板牙. 16，1187（2017）]。寻找低功耗、高效率的畴壁控制方法是器件设计的核心问题之一。在这项工作中，我们提出了使用电压控制的磁各向异性梯度作为激励源来驱动在亚铁磁体畴壁运动。基于集体坐标理论，对各向异性梯度下的超快壁运动进行了理论预测，并通过原子微磁模拟得到了证实。在角动量补偿点处实现反铁磁自旋动力学，壁移在小梯度下速度恒定，在大梯度下由于运动过程中壁宽变宽而略有加速。对于非零净角动量，沃克击穿发生在临界各向异性梯度显着依赖于第二各向异性和界面Dzyaloshinkiii-Moriya相互作用，这是高度赞赏的进一步的实验，包括材料选择和设备的几何设计。更重要的是，这项工作揭示了一个低功耗的方法来控制在亚铁磁体的畴壁，有利于未来的自旋电子应用。
2019-10-14 physics.app-ph
Spike-timing-dependent-plasticity learning in a planar magnetic domain wall artificial synapsis
本研究提出基于Co/Pt多层膜的自旋忆阻器作为人工突触，验证了其可塑性与STDP特性，并揭示相关磁学机制，为神经形态架构的人工突触构建提供新方案。
2024-09-12 cs.ET physics.app-ph
Vertically Integrated Dual-memtransistor Enabled Reconfigurable Heterosynaptic Sensorimotor Networks and In-memory Neuromorphic Computing
本文提出一种垂直集成双忆晶体管（VSFET），利用铁电与非铁电沟道耦合实现异突触可塑性，以超低功耗模拟海兔感觉运动反射，并支持可重构布尔逻辑，用于存内神经形态计算。
2024-12-14 physics.app-ph
Resonant tunnelling diode nano-optoelectronic spiking nodes for neuromorphic information processing
在这项工作中，我们介绍了一种光电尖峰人工神经元能够在超快的速度（$\approx$ 100 ps/光尖峰）和低能耗（$<$ pJ/尖峰）。所提出的系统结合了一个可激发的共振隧穿二极管（RTD）元件表现出负微分电导，耦合到一个纳米级光源（形成一个主节点）或一个光电探测器（形成一个接收器节点）。我们数值研究的尖峰动力学响应和信息传播功能的互连主接收RTD节点系统。使用脉冲阈值和积分的关键功能，我们利用单个节点对顺序脉冲模式进行分类，并执行卷积功能以进行图像特征（边缘）识别。我们还展示了一个光学互连的尖峰神经网络模型，用于以超过10 Gbps的速度处理时空数据，具有很高的推理精度。最后，我们展示了一种片外监督学习方法，利用尖峰时间依赖可塑性的RTD使能的光子尖峰神经网络。这些结果证明了RTD尖峰节点的潜力和可行性，低足迹，低能量，高速光电实现的神经形态硬件。
2021-11-19 cs.ET cs.NE physics.app-ph
Unsupervised Competitive Hardware Learning Rule for Spintronic Clustering Architecture
我们提出了一个新的自旋电子计算架构内的无监督聚类的硬件学习规则。所提出的方法利用畴壁磁隧道结器件的三端结构来建立反馈回路，该反馈回路用于当这些器件用作类脑计算架构中的突触时对它们进行训练。
2020-03-24 cs.ET cs.NE physics.app-ph
On-chip learning for domain wall synapse based Fully Connected Neural Network
自旋电子器件被认为是实现神经形态系统或硬件神经网络的有前途的候选者，预计在某些数据分类和回归任务中，它们比其他现有的计算系统表现得更好。在本文中，我们设计了一个前馈全连接神经网络（FCNN），使用自旋轨道力矩驱动的畴壁器件作为突触和基于晶体管的模拟电路作为神经元，没有隐藏层。还使用晶体管设计了反馈电路，其在每次迭代时使用随机梯度下降（SGD）方法计算训练网络所需的突触的权重的变化。随后，它将写入电流脉冲发送到基于畴壁的突触设备，该突触设备移动畴壁并更新突触的权重。通过微磁模拟，模拟电路模拟和数值求解FCNN训练方程的组合，我们证明了“片上”训练的设计FCNN在MNIST数据库的手写数字本文。我们报告了训练和测试的准确性，突触设备中用于训练的能量消耗以及FCNN硬件实现可能限制其测试准确性的问题。
2018-11-25 cs.ET cs.NE physics.app-ph
Resonate-and-Fire Photonic-Electronic Spiking Neurons for Fast and Efficient Light-Enabled Neuromorphic Processing Systems
本文提出一种光子-电子谐振-发放尖峰神经元，利用光敏谐振隧穿二极管响应高速光输入，实现带通滤波、时间模式识别等功能，为低功耗高速神经形态光学计算开辟新路径。
2025-10-16 physics.app-ph physics.comp-ph physics.optics
Frequency domain laser ultrasound for inertial confinement fusion target wall thickness measurements
Research Center for Non Destructive Testing（无损检测研究中心）；General Atomics, Energy Group, Inertial Fusion Technology Division（通用原子能公司，能源集团，惯性聚变技术部）
本文提出基于零群速引导弹性波共振的频域激光超声方法，用于高密度碳胶囊壳厚测量，并通过实验和模拟验证了其有效性与可扩展性。
2026-02-02 cond-mat.mtrl-sci physics.app-ph physics.ins-det
