PRL|基于反铁磁拓扑荷动力学模拟LIF神经元

文章链接：https://doi.org/10.1103/PhysRevLett.125.207202

脉冲神经网络神经元与突触

背景

神经形态计算的概念提出将许多模拟电路组合成一个网络，以模拟人脑的结构。被视为一种可以超越传统的冯·诺依曼机器的方案，特别是在复杂的认知任务上，它在学习算法和硬件实现上都经历了密集的发展。在各种人工神经元网络中，尖峰神经元网络(SNN)由于其利用事件的时间特性的独特能力，是迄今为止最接近于生物神经系统的模拟网络。在神经网络中，神经元是一种动态装置，其特点是有漏的整合-触发(LIF)机制。当脉冲被触发时，输入激励在其泄漏的内部状态上以一个明确的阈值累积。信息通过这些尖峰在神经元之间传递。突触是具有适应性重量的非易失性存储器，它控制突触前神经元的放电对突触后神经元的影响程度。许多SNN学习规则都属于“突触-时间依赖可塑性” (STDP)，其中突触权重根据一个时间窗内突触前和突触后神经元的相对峰值时间而更新。

由于SNN的计算效率更高，能耗更低，因此其硬件实现引起了广泛关注。自旋电子学，研究本质上的非线性自旋动力学和输运，已被证明在实现神经形态计算方面很有前途。许多具有非易失性存储器、快速开关、高耐用性和低能量耗散等优点的纳米尺度自旋电子器件已经被开发用于存储器和逻辑应用。基于磁隧道结、自旋转矩驱动的纳米振荡器、畴壁和斯格明子以及自旋波动力学，人们提出了各种类似神经元和突触的器件来替代传统CMOS电路中的元件。