大脑如何进行学习？科学家用磁离子系统模拟大脑学习过程
-
随着大数据的出现，当前的计算架构逐渐不能满足需求。减小晶体管尺寸的困难、功耗大以及有限的运行速度，使得神经形态计算成为一个有前途的替代方案。
神经形态计算是一种受大脑启发的新计算范式，它通过使用人工神经网络再现生物突触的活动。这种设备作为开关系统工作，因此 ON（开）的位置对应于信息保留或 " 学习 "，而 OFF（关）的位置对应于信息删除或 " 忘记 "。
近日，一个科学家团队探索了使用新的先进材料装置模拟人工突触的方法。到目前为止，大多数用于此目的的系统最终都是由电流控制的，这涉及到因散热而造成的大量能量损失。而这次，研究人员使用磁离子学，即通过电压驱动的离子迁移对材料的磁性进行非易失性控制，从而大大降低功耗并使数据存储更加节能。
尽管热耗散随着离子迁移效应而减少，但对于工业应用而言，室温下氧的磁离子运动通常很慢，需要几秒钟甚至几分钟来切换磁性状态。为了解决这个问题，该团队研究了目标材料的使用，其晶体结构已经包含要传输的离子。这种磁离子靶可以经历从非铁磁（关闭）状态到铁磁（打开）状态的完全可逆转变，反之亦然。
鉴于它们的晶体结构，氧化钴是制造薄膜的选定材料，厚度从 5nm 到 230nm 不等。研究人员调查了厚度对产生的磁离子行为的作用，发现薄膜越薄，磁化产生的速度就越快。
由于在这项工作中实现的运行速度与用于神经形态计算的运行速度相似，因此进一步研究了最薄的氧化钴薄膜。特别是，诱导了与学习神经形态能力有关的效果，结果提供了证据，证明磁离子系统可以模拟 " 学习 " 和 " 遗忘 " 功能。
除了神经形态计算，其他实际应用，如磁存储器和自旋电子学也将从这项研究的结果中受益。将磁存储器与高能效的磁离子技术相结合，可能是降低下一代数据存储介质运行能量的一种可能方式，而控制反铁磁层的磁离子机制目前是开发自旋电子器件有希望的候选者。
题为 Dynamic electric-field-induced magnetic effects in cobalt oxide thin films: towards magneto-ionic synapses 的相关研究论文发表在《Nanoscale》上。
前瞻经济学人 APP 资讯组
论文原文：
https://pubs.rsc.org/en/content/articlelanding/2022/NR/D1NR06210G
