НАНОРАЗМЕРНАЯ СТРЕЙНТРОННАЯ МАГНИТОЭЛЕКТРИЧЕСКАЯ ЯЧЕЙКА ДЛЯ НЕЙРОМОРФНЫХ СИСТЕМ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Представлены результаты численно-аналитического моделирования функциональных характеристик нейроноподобной магнитоэлектрической ячейки нанометрических масштабов. Определены виды и условия формирования нелинейных передаточных функций активации композитной ячейки в процессах спиновой переориентации в магнитной подсистеме. Применительно к преобразованию случайных импульсных сигналов продемонстрированы пороговые режимы генерации spike-импульсов обратной полярности и эффекты накопления потенциала с последующим скачкообразным изменением состояния системы типа Integrate-and-Fire. Величина амплитуды сигналов на входе и выходе наноразмерной ячейки составляет единицы милливольт. Вид функций активации и пороговые значения входных сигналов управляются намагничивающим полем, что позволяет расширить функциональные возможности компонентов аналоговых нейроморфных систем.

Об авторах

Л. М. Крутянский

Институт общей физики им. А.М. Прохорова Российской академии наук

Email: leonid.krut@kapella.gpi.ru
Москва, Россия

В. Л. Преображенский

Институт общей физики им. А.М. Прохорова Российской академии наук

Email: vlp@yandex.ru
Москва, Россия

Список литературы

  1. Uhrig R.E. Introduction to artificial neural networks // Proc. IECON '95–21st Annual Conference on IEEE Industrial Electronics. 1995. № 1. P. 33–37. https://doi.org/10.1109/IECON.1995.483329
  2. Montesinos López O.A., Montesinos López A., Crossa J. Fundamentals of Artificial Neural Networks and Deep Learning // Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham: Springer, 2022. P. 379–425. https://doi.org/10.1007/978-3-030-89010-0_10
  3. Depertioglu O., Kose U. An educational tool for artificial neural networks // Comput. Electr. Eng. 2011. V. 37. Iss. 3. P. 392–402. https://doi.org/10.1016/j.compeleceng.2011.03.010
  4. Clevert D-A., Unterthiner T., Hochreiter S. Fast and accurate deep network learning by exponential linear units (ELUs). ICLR2016. arXiv:1511.07289v5 [cs.LG]. https://doi.org/10.48550/arXiv.1511.07289
  5. Elfwing S., Uchibe E., Doya K. Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning. arXiv:1702.03118v3 [cs.LG]. 2 Nov., 2017.
  6. Kimhi M., Kashani I., Mendelson A., Baskin C. Hysteresis Activation Function for Efficient Inference. 4th NeurIPS Efficient Natural Language and Speech Processing Workshop (ENLSP-IV 2024). arXiv:2411.10573v2 [cs.LG]. 11 Mar., 2025.
  7. Ponulak F., Kasinski A. Introduction to spiking neural networks: Information processing, learning and applications Acta Neurobiol. Exp. 2011. V. 71. P. 409–433. https://doi.org/10.55782/ane-2011-1862
  8. Grüning A., Bohie S. M. Spiking Neural Networks: Principles and Challenges. European Symposium on Artificial Neural Networks (ESANN). Computational Intelligence and Machine Learning. Bruges: ESANN, 2014.
  9. Pfeiffer M., Pfeil T. Deep Learning With Spiking Neurons: Opportunities and Challenges. Front. Neurosci., Sec. Neuromorphic Engineering. 2018. V. 12. 774. https://doi.org/10.3389/fnins.2018.00774
  10. Hendy H., Merkel C. Review of spike-based neuromorphic computing for brain-inspired vision: Biology, algorithms, and hardware // J. Electronic Imaging. 2022. V. 3 (1). 010901. https://doi.org/10.1117/1.JEI.31.1.010901
  11. Tuma T., Pantazi A., Le Gallo M., Sebastian A., Eleftheriou E. Stochastic phase-change neurons // Nat. Nanotechnol. 2016. V. 11. P. 693–699. https://doi.org/10.1038/NNANO.2016.70
  12. Liu H., Wu T., Yan X., Wu J., Wang N., Du Z., Yang H., Chen B., Zhang Z., Liu F., Wu W., Guo J., Wang H. A Tantalum Disulfide Charge-Density-Wave Stochastic Artificial Neuron for Emulating Neural Statistical Properties // Nano Lett. 2021. V. 21. P. 3465–3472. https://doi.org/10.1021/acs.nanolett.1c00108
  13. Wang J.J., Hu S.G., Zhan X.T., Yu Q., Liu Z., Chen T.P., Yin Y., Hosaka S., Liu Y. Handwritten-Digit Recognition by Hybrid Convolutional Neural Network based on HfO2 Memristive Spiking-Neuron // Sci. Rep. 2018. V. 8. 12546. https://doi.org/10.1038/s41598-018-30768-0
  14. Chakraborty I., Saha G., Sengupta A., Roy K. Toward Fast Neural Computing using All-Photonic Phase Change Spiking Neurons // Sci. Rep. 2018. V. 8. 12980. https://doi.org/10.1038/s41598-018-31365-x
  15. Li Z., Geng X., Wang J., Zhuge F. Emerging Artificial Neuron Devices for Probabilistic Computing // Front. Neurosci. 2021. V. 15. 717947. https://doi.org/10.3389/fnins.2021.717947
  16. Burkitt A.N. A review of the integrate-and-fire neuron model: I. Homogeneous synaptic input // Biol Cybern. 2006. V. 95. P. 1–19. https://doi.org/10.1007/s00422-006-0068-6
  17. Stoltzer P., Tranchant J., Corraze B., Janod E., Besland M-P., Tesler F., Rozenberg M., Cario L. A Leaky-Integrate-and-Fire Neuron Analog Realized with a Mott Insulator // Adv. Funct. Mater. 2017. 1604740. https://doi.org/10.1002/adfm.201604740
  18. Крутянский Л.М., Преображенский В.Л. Функциональный преобразователь сигналов на основе композитного мультиферроика // Письма в ЖТФ. 2023. Т. 49. Вып. 15. С. 33–38. https://doi.org/10.21883/PJTF.2023.15.55862.19594
  19. Крутянский Л.М., Преображенский В.Л. Функциональное преобразование случайных сигналов в композитной магнитоэлектрической ячейке // Письма в ЖТФ. 2025. Т. 51. В печати.
  20. Tiercelin N., Preobrazhensky V., Pernod P., Ostaschenko A. Enhanced magnetoelectric effect in nanostructured magnetostrictive thin film resonant actuator with field induced spin reorientation transition // Appl. Phys. Lett. 2008. V. 92. 062904. https://doi.org/10.1063/1.2841656
  21. Dusch Y., Tiercelin N., Klimov A., Giordano S., Preobrazhensky V., Pernod P. Stress-mediated magnetoelectric memory effect with uni-axial TbCo2/FeCo multilayer on 011-cut PMN-PT ferroelectric relaxor // J. Appl. Phys. 2013. V. 113. 17C719. https://doi.org/10.1063/1.4795440
  22. Tiercelin N., Preobrazhensky V., Mortet V., Talbi A., Soltani A., Haenen K., Pernod P. Thin film magnetoelectric composites near spin reorientation transition // J. Magn. & Magn. Mat. 2009. V. 321. P. 1803–1807. https://doi.org/10.1016/j.jmmm.2009.02.026
  23. Wang F., Luo L., Zhou D., Zhao X., Luo H. Complete set of elastic, dielectric, and piezoelectric constants of orthorhombic 0.71 Pb (Mg1/3Nb2/3) O3–0.29 Pb TiO3 single crystal // Appl. Phys. Lett. 2007. V. 90. 212903. https://doi.org/10.1063/1.2743393
  24. Borders W.A., Pervaiz A.Z., Fukami S., Camsari K.Y., Ohno H., Datta S. Integer factorization using stochastic magnetic tunnel junctions // Nature. 2019. V. 573. P. 390–393. https://doi.org/10.1038/s41586-019-1557-9
  25. Pervaiz A.Z., Ghantasala L.A., Camsari K.Y., Datta S. Hardware emulation of stochastic p-bits for invertible logic // Scientific Reports. 2017. V. 7. 10994 https://doi.org/10.1038/s41598-017-11011-8

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».