发表机构
The University of Tokyo; Cornell University（东京大学; 康奈尔大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种自旋电子储层计算编程框架，通过直接映射输入输出关系至读出层，实现显式函数编程，并证明其通用逼近性质，为内存计算提供新路径。
AI 中文摘要
我们提出了一个用于自旋电子储层计算器（RC）的编程框架，该框架将指定的输入-输出关系直接映射到读出层，绕过了传统的数据驱动黑箱方法。我们的自旋电子RC基于磁阻随机存取存储器，并利用磁化动力学进行计算。我们引入了一个通用度量来量化系统的可编程性，并揭示控制方程和系统参数如何约束可实现函数的类别。然后，我们利用规定方程的显式参数依赖性来构建外部可控的读出层。该度量与构建方法使得能够在自旋电子RC上编程显式函数，表明了一条通往内存计算的可能路径。我们的演示包括神经网络仿真、分岔嵌入以及用于五次代数方程的牛顿求解器。此外，我们证明了在系统尺寸和输入持续时间趋于无穷大的极限下，自旋电子RC具有通用逼近性质，并展示了其与可编程性的一致性。
英文摘要
We present a programming framework for a spintronic reservoir computer (RC) that maps prescribed input-output relationships directly onto the readout layer, bypassing conventional data-driven black-box approaches. Our spintronic RC is based on magnetoresistive random-access memory and exploits magnetization dynamics for computation. We introduce a general metric that quantifies the system's programmability and reveals how the governing equations and system parameters constrain the class of realizable functions. We then construct externally controllable readout layers by exploiting the explicit parameter dependence of the prescribed equations. This metric and construction enable programming explicit functions on the spintronic RC, indicating a potential route to in-memory computing. Our demonstrations include neural-network emulation, bifurcation embedding, and a Newton solver for fifth-order algebraic equations. In addition, we prove the universal approximation property of the spintronic RC in the limit of infinite system size and input duration, and show its consistency with programmability.
Comments5 pages, 4 figures
