利用磁畴壁模拟忆阻器实现的类脑神经形态动态学习系统

模拟类似大脑的计算功能需要利用纳米技术模拟突触塑性以及神经元之间的复杂连接，神经形态计算系统囊括了自定义异步模拟电路、传统的同步模拟电路以及对大脑行为的精确地/模糊的模仿。神经形态实现的一个挑战是利用电子技术实现神经元信息处理过程中神经元状态的稳定记忆，这一需求，以及考虑到实用性的低能耗、大规模集成、自组装以及三维空间连接为神经形态的硬件实现提出了很高的要求。自旋电子学器件因其所具有的低功耗、小尺寸、CMOS系统兼容性、非易失性等优点被认为是神经形态计算硬件实现的候选，近期研究指出基于磁畴壁的自旋器件能够实现模拟忆阻器的功能，推动了神经形态计算的硬件实现。

神经形态计算是一种使用电子设备有效解决复杂的学习和认知问题（如人脑）的方法。研究者为了有效地模拟与实现类似人类大脑的计算功能，利用电子器件以及电子电路模拟生物神经元的复杂功能。磁畴壁忆阻器件能够显示多个稳定的电阻状态，并在每个状态上具有足够持久的持续时间，南加州大学的Kun Yue等人基于磁畴壁模拟忆阻器（magnetic domain wall analog memristors )，制备了一种通用的脉冲神经形态系统，用以解决动态学习问题。该研究包括MAM的微磁和SPICE建模，结合了MAM以及CMOS神经形态模拟电路设计，以及MAM提供持久性可变突触强度的混合CMOS / MAM突触神经元网络的设计，实现了基于STDP学习规则的输入时域信号差异探测。使用该神经元神经形态系统，仿真显示，MAM增强的神经形态系统可以实现持久性，可以证明确定性的快速动态学习，并具有降低电路复杂性的潜力，并且可以提供比全CMOS系统实现更高的功能。