Domain Wall Magnetic Tunnel Junction Reliable Integrate and Fire Neuron

在脉冲神经网络中，神经元的动态行为由生物学上真实的积分-火灾模型描述，该模型捕捉了膜电位的积累和超过阈值的放电行为。在积分-火灾神经元设备的硬件实现中，一个重要特征——复位，一直被忽视。本文介绍了一种基于磁性域墙和磁隧道结的人工积分-火灾神经元器件的设计和制造，该器件在积分-火灾周期结束时实现了可靠的复位。我们展示了域在域墙赛道中的传播（积分），使用磁隧道结进行读取（放电），并在域从赛道中弹出时进行复位，表明人工神经元可以连续操作超过100个积分-火灾-复位周期。我们展示了脉冲幅度和脉冲数量编码。将设备数据应用于图像分类任务，使用脉冲神经网络，显示出与理想的漏电积分-火灾神经网络相当的性能。这些结果实现了在基于磁性域墙和磁隧道结的神经元设备中实现可靠的积分-火灾-复位，并展示了自旋电子学在神经形态计算中的潜力。

论文旨在设计一种基于磁性领域墙和磁隧道结的人工神经元器件，解决硬件实现中的重置问题，并探索其在脉冲编码下的应用。

通过设计基于磁性领域墙和磁隧道结的人工神经元器件，实现可靠的重置，并展示其在图像分类任务中的应用。

实验展示了人工神经元器件的可靠重置、脉冲幅度和脉冲数量编码，并在图像分类任务中展示了与理想的漏电、积分和火神经网络相当的性能。

最近的相关研究包括基于磁性领域墙的神经元器件的设计和制造，以及使用脉冲编码进行神经网络计算的研究。相关论文包括“Magnetic Domain Wall Racetrack Memory”和“Spiking Neural Networks with Limited Precision Synaptic Weights and Biases: A Study of the Resilience to Random Hardware Failures”。