自旋器件做类脑盘算，怎么做？

随着人工智能时代的到来，人类对盘算能力的要求越来越高。由于人工智能算法普遍涉及大量数据迁移，与现有存算分散的盘算机架构并不匹配。现在算力的实现依赖于应用超级盘算机。例如，下围棋的AlphaGo（图1）和许多高级人工智能任务都需要在大规模超级盘算机或云服务器上执行。

图1 用于围棋对战的AlphaGo（图片来自于网络）。

算力成为了制约人工智能应用的一个瓶颈。特别是对于具有时效性的任务，例如高速运动目的的实时追踪与识别等，该局限性体现得尤为突出。另一个亟待解决的问题是人工智能硬件终端的能效。朝向智能社会的生长一定需要大量具备边缘盘算能力的智能终端，能量的使用效率变得极为重要，绿色低能耗、高效应是其“标配”。

可移动性也是很是须要的。追念半个多世纪以来，大规模集成电路的生长使电子盘算机从房间巨细酿成可以放进牛仔裤口袋的智能手机，我们是否也可以期待未来随身携带一个AlphaGo或与之相当的“智能大脑”呢？

解决上述关键问题必须突破现有的冯诺依曼的盘算机架构，生长类脑盘算和随机盘算等新型盘算方案。类脑盘算的焦点是将人脑神经网络的观点应用于盘算机系统的设计，盘算和存储单元合二为一，使用神经网络内在的高麋集互联与自然的并行化盘算实现智能盘算，从而同时满足算力、能效和可移动性的需求。近年来科研人员提出了包罗阻变、相变和铁电铁磁等新质料和新器件来生长类脑盘算芯片的方案。其中自旋电子学器件（见图2）具有非易失性、高集成度、读写速度快、低功耗、耐用性强等优点，用于实现类脑芯片存在天然的优势。自旋类脑盘算是一种重要的可行性方案。

图2 磁性隧道结组成的人工神经网络示意图（右上），由磁矩翻转引起的电阻值的变化可用来模拟类脑盘算历程（右下）（图片泉源：左图来自pixabay，右图为文章配图，由作者绘制）。

最近，北京师范大学研究团队在SCIENCE CHINA Physics, Mechanics & Astronomy揭晓看法文章，对自旋类脑器件的相关问题举行了简要先容、分析和展望。北京师范大学博士研究生张亚君为文章第一作者，袁喆教授和夏钶教授配合担任通讯作者，该研究获得了国家自然科学基金重点项目的支持。

文章先容了自旋类脑器件的研究现状，及多种自旋电子学器件实现人工神经元和突触的方案。作者指出，作为神经网络的基本单元，神经元和突触并不存在普适的性能尺度。因此对类脑盘算硬件性能的优化与提高，需要在神经网络的整体层面分析其实现的功效和运行性能。

同时，文章提到一类自旋电子学非线性器件，可将储层盘算在时间维度编码，因此可使用单个器件实现循环神经网络（典型的循环神经网络如图3所示）。已有实验证明，这类器件可以显著提高语音识此外准确性[1]，也可以直接用于图像识别[2]，并有望很快实现应用。

（c）

图3 使用磁性隧道结作为神经元的循环神经网络，以及训练后按笔顺写汉字（图片来自Zheng et al. AIP Advances, 2020, 10, 025116）。

自旋电子学器件已往多用于存储器，但必须抑制其随机性。而在类脑盘算中，随机性恰是实现一些智能任务和学习历程的基础，并已在玻尔兹曼机、贝叶斯网络和脉冲神经网络等领域乐成应用。这种随机历程可以通过所谓的概率比特来编码信息，替代量子比特，实现量子算法以及量子神经网络。如此一来，便有望实现基于自旋电子学器件的量子盘算，以及通过量子算法加速神经网络的训练，提高运行效率。

如何推动自旋类脑盘算的研究？文章作者认为关键在于需求引导、从算法到硬件、协同创新。当前的类脑和随机盘算的优势在于完成特定的功效任务，暂时没有能力也没有须要去挑战替代现有通用盘算机。需求引导意味着应当专注于现有盘算无法完成的重要任务，例如因数剖析、无监视学习等。

充实使用盘算机科学与神经科学的研究结果和技术积累，生长突破现有盘算极限的算法，针对特定算法再去选择合适的自旋电子学器件来高效、低能耗地执行。硬件开发可能还需要凭据磁性质料性质进一步伐整优化算法，重复迭代。这种多学科协同创新的特点决议了必须打破差别学科之间的壁垒，促进盘算机学、神经科学、物理学、质料科学和微电子学等领域的充实交流，实现类脑盘算和随机盘算硬件的创新。

参考文献

[1] Torrejon et al., Nature 547, 428 (2017).

[2] Jiang et al., Appl. Phys. Lett.115, 192403 (2019).