Page 371 - 《软件学报》2025年第4期

俞诗航 等: 神经形态计算: 从脉冲神经网络到边缘部署 1777

虑每根横杆内的耐久性变化, 确保具有较高激活度的突触始终在耐久性较高的忆阻器上实现, 并保护临界忆阻器
(耐久性较低的忆阻器) 不被过度使用, 最终显著提高了 SNN 部署时的使用寿命.

电压

顶部电极 (金属)
顶部电极 (金属)
相变材料
隔热材料
阻变层 (氧化物)
I
加热电阻
底部电极 (金属)
底部电极

图 16 电阻式随机存储器 图 17 相变存储器

(3) 自旋电子学
自旋电子学是凝聚态物理学中研究电子自旋特性的一个领域, 其目的是提高电子设备的效率, 在信息存储方
面拥有巨大潜力 [202] . 近年来, 自旋转移矩磁随机存储器 (spin transfer torque-magnetic random access memory, STT-
MRAM) 技术取得了长足进步, 已成为嵌入式和独立式 NVM 的突破性技术, 可提供快速编程和高耐用性 [203] . 在后
续的研究中, STT-MRAM 还展示出了实现突触行为的能力, 可以作为随机记忆器件 [204] .
磁性隧道结 (magnetic tunnel junctions, MTJ) 是磁性随机存储器等自旋电子学器件的核心结构, 由两个铁磁性
纳米磁体和夹在它们中间的间隔层 (氧化镁) 构成 [205] . MTJ 可根据两个调频层的相对磁化方向以两种不同的电阻
状态存在, 其自旋动力学方程如公式 (15) 所示:

( )
∂ ˆm ∂ ˆm 1
= −|γ|( ˆm× H EFF )+α ˆm× + ( ˆm× I s × ˆm) (16)
∂t ∂t qN s
其中, ˆ m 是自由层磁化的单位矢量, H EFF 是有效磁场, 包括形状各向异性磁场、外部磁场和热磁场, γ 是电子的回
α 是吉尔伯特阻尼比. 方程的前两项通常用来表示泄漏行为, 最后一项表示积分行为. 这一特点使得
旋磁化率,
MTJ 材料与 LIF 脉冲神经元的相性极佳. Heavy metal (HM)
文献 [206] 提出了一种由 MTJ 支持的概率深度 SNN, 可将已完全训练好的 ANN 转化成前馈结构的 SNN. 这
种 SNN 模型使用速率编码将 ANN 输入转换为泊松脉冲序列, 经过突触权重调整, 产生的突触后电流流经 MTJ 装
置下方的重金属. 如图 18 所示, 图中的重金属作为概率脉冲神经元, MTJ 位于重金属顶部, 在存在热噪声的情况
下, 流经重金属的写入电流会随机切换 MTJ. 仿真结果表明, 原 ANN 对 MNIST 手写数字识别的准确率为 98.56%,
而经过 MTJ 元件转换得来的 SNN 的测试准确率仍高达 97.6%. 与基线数字 CMOS 实现相比, 基于 MTJ 的实现在
能效上提高了 20 倍.

T1
“Read” current
Pinned layer
Tunneling oxide
PL Free layer
FL J s
T2 T3

“Write” current, J q
图 18 磁性隧道结 [204]

文献 [207] 提出了一种基于 STT-RAM 的神经突触内核, 用于实现 SNN 的硬件加速器. 其计算核心包括一个
由非易失性 STT-RAM 组成的交叉横杆阵列、IO 外围电路和用于脉冲神经元的数字逻辑, 避免了对昂贵的外围