随着信息时代的发展，传统计算架构面临着愈发严峻的算力与功耗问题，人工神经形态器件等新型计算架构有望成为解决问题的有效途径。储备池计算（Reservoir Computing）是一种善于处理时序信息的递归神经网络（Recurrent Neural Network）计算架构，具备训练算法简单、训练量小等特点。利用拥有非线性响应、短时记忆性的动态物理系统实现储备池计算，将进一步节省计算资源。近年来，自旋电子器件在储备池计算领域的应用越发受到人们关注，因其具有天然的非易失性、非线性、动力学复杂性等优势。磁斯格明子（Magnetic Skyrmions）作为一种具有准粒子特性的手性自旋结构，其非线性动力学、拓扑稳定性、尺寸小等优点在储备池计算等领域展现独特优势。 研究团队利用电场调控磁斯格明子状态，在PMNT/Pt/Co/Gd多层膜体系中，实现了磁斯格明子增强的物理储备池系统。在验证了系统的非线性后，研究团队首先利用该物理储备池系统完成了简单波形识别任务，识别率达100%（当前）和99.3%（过去）。同时验证了该系统的短时记忆性。另外，研究团队利用该系统对Mackey-Glass混沌时间序列进行预测，成功实现了对未来20步的预测，其预测误差（NRMSE）低于0.2。通过使用纯电学的操纵方式，以铁电衬底的应变为媒介操控信号输入，读取反常霍尔电压作为信号输出，该工作为基于磁斯格明子的自旋电子器件在神经形态计算中的应用提供了低功耗的实现方案。
北航集成电路科学与工程学院2019级博士生孙一铭、2016级博士生蔺涛（已毕业）、雷娜副教授、2017级博士生陈星（已毕业）为论文共同第一作者；雷娜副教授、吉林师范大学冯明教授为论文共同通讯作者。该工作是在赵巍胜教授、康旺副教授、中科院半导体所魏大海研究员与赵建华研究员大力支持下完成的；其他合作者还包括诺贝尔物理学奖得主Albert Fert教授、慕尼黑工业大学Christian H. Back教授、复旦大学袁喆教授等。该工作获得国家自然科学基金、北航青年拔尖人才计划等项目的支持。 |
