机构名称：
¥ 1.0
处理大数据，尤其是视频和图像，是现有冯诺依曼机面临的最大挑战，而人脑凭借其大规模并行结构，能够在几分之一秒内处理图像和视频。最有前途的解决方案是受大脑启发的计算机，即所谓的神经形态计算系统 (NCS)，最近得到了广泛的研究。NCS 克服了传统计算机一次一个字思考的限制，得益于类似于大脑的数据处理大规模并行性。最近，基于自旋电子的 NCS 已显示出实现低功耗高密度 NCS 的潜力，其中神经元使用磁隧道结 (MTJ) 或自旋扭矩纳米振荡器 (STNO) 实现，并使用忆阻器来模拟突触功能。尽管与 MTJ 相比，使用 STNO 作为神经元所需的能量较低，但由于启动具有可检测输出功率的振荡需要高偏置电流，因此基于自旋电子的 NCS 的功耗与大脑之间仍然存在巨大差距。在本文中，我们提出了一种基于自旋电子的 NCS（196 × 10）概念验证，其中通过微瓦纳秒激光脉冲辅助 STNO 振荡来降低 NCS 的功耗。实验结果表明，通过将 STNO 加热到 100 ◦ C，设计的 NCS 中 STNO 的功耗降低了 55.3%。此外，与室温相比，100 ◦ C 时自旋电子层（STNO 和忆阻器阵列）的平均功耗降低了 54.9%。与室温下典型的基于 STNO 的 NCS 相比，所提出的基于激光辅助 STNO 的 NCS (LAO-NCS) 在 100 ◦ C 下的总功耗提高了 40%。最后，与室温下典型的基于 STNO 的 NCS 相比，LAO-NCA 在 100 ◦ C 下的能耗预计可降低 86%。
LAO-NCS：激光辅助自旋扭矩纳米振荡器-...
主要关键词
相关文件推荐
