混合自旋电子学-CMOS脉冲神经网络与片上学习：器件、电路和系统
摘要：自过去的十年来，脉冲神经网络(SNN)已成为模拟大脑的流行架构之一。在SNN中，信息被时间编码，并通过脉冲实现神经元间的通信。在这种网络中，脉冲时序相关的可塑性机制要求基于脉冲传递的时间信息在线编程突触。在这项工作中，我们提出了一种具有分离的脉冲传输和编程电流路径的自旋电子突触。自旋电子突触由铁磁-重金属异质结构组成，重金属通过编程电流产生自旋-轨道力矩以调控器件导电。低编程能量和快速编程时间表明了该器件作为纳电子突触具有高效性。我们使用经过实验验证的器件模拟框架进行模拟研究，以证明这种自旋电子突触可以与CMOS神经元和在晶体管亚阈值区域工作的学习电路进行接口，形成用于模式识别问题的脉冲神经元网络。
作者：Abhronil Sengupta, Aparajita Banerjee, Kaushik Roy
论文ID：1510.00432
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2016-12-14