基于磁性畴壁随机动力学的自旋电子贝叶斯硬件:面向可信AI的物理概率计算新范式

《Advanced Science》:Spintronic Bayesian Hardware Driven by Stochastic Magnetic Domain Wall Dynamics

【字体: 大 中 小 】 时间:2026年03月19日 来源:Advanced Science 14.1

编辑推荐:

  为解决传统AI硬件难以高效实现概率计算与不确定性估计的问题,本研究提出了一种名为磁性概率计算(MPC)的创新硬件平台。该平台利用磁性隧道结(MTJ)材料中畴壁(DW)的热致随机性,结合电压控制磁各向异性(VCMA)和隧穿磁阻(TMR),实现了可调高斯分布的原生物理生成。基于此构建的贝叶斯神经网络(BNN)在CIFAR-10图像分类任务中验证了其功能,相比传统28nm CMOS方案,在基本计算单元的总体性能指标上实现了七个数量级的提升,为构建高能效、可信赖的物理AI系统开辟了新途径。

  
在人工智能飞速发展的今天,AI系统正被广泛应用于自动驾驶、医疗诊断等对安全性和可靠性要求极高的“关键任务”领域。然而,传统的深度学习模型通常以一种“确定”的方式运作,它们能给出一个明确的答案,却无法像人类专家那样,在信息不足时表达“我不确定”。这种不确定性感知的缺失,使得AI在面临模糊、异常或未曾见过的数据时,可能做出过度自信的错误判断,带来潜在风险。为了构建更值得信赖的AI,能够量化预测不确定性的概率神经网络(PNNs),特别是贝叶斯神经网络(BNNs)应运而生。但这类模型的实现面临巨大挑战:其核心是让网络权重不再是单一数值,而是服从某种概率分布(通常是高斯分布),这意味着每一次推理都需要从这些分布中反复采样,计算极其复杂。在传统的互补金属氧化物半导体(CMOS)硬件上,这种概率行为并非“天生”,而是需要额外的电路和巨大的算力去“模拟”随机性,导致能耗高、面积大、效率低下,成为制约概率AI落地的瓶颈。为此,研究界一直在探索能够“原生”支持概率行为的新材料和硬件架构。
《Advanced Science》期刊近期发表的一项研究,为这一难题提供了一个富有前景的物理解决方案。一个由加州大学洛杉矶分校等单位的研究团队,从材料物理的本征特性中找到了灵感,成功开发出一种名为“磁性概率计算”(MPC)的全新硬件平台。他们巧妙利用了磁性材料中一种名为“畴壁”(DW)的纳米结构的自然随机热运动,将其“噪声”从需要克服的缺点,转变为支撑概率计算的优势资源。通过将畴壁集成到磁性隧道结(MTJ)器件中,并协同电压控制磁各向异性(VCMA)和隧穿磁阻(TMR)效应,他们首次在实验上实现了一个能够直接、高效地物理生成“可调参数高斯分布随机数”的硬件单元。这不仅绕过了CMOS方案中繁琐的随机数生成与转换电路,更以极低的能耗实现了概率计算的核心操作。研究团队进一步证明,利用该MPC平台产生的物理随机信号,可以成功驱动一个贝叶斯神经网络(BNN)完成CIFAR-10图像分类任务,并有效输出预测的不确定性。基准测试表明,该MPC基本单元在综合性能指标上,相比标准的28纳米CMOS实现方案提升了惊人的七个数量级,在能效和面积效率上展现出巨大优势。这项研究标志着,利用自旋电子材料的内禀随机性来构建下一代可信赖的物理AI系统,从概念走向了可行的实验原型,为后摩尔时代的智能计算开辟了一条颠覆性的新路径。
研究人员开展此项工作,主要运用了以下关键技术方法:1. 器件设计与微纳加工:基于磁性隧道结(MTJ)材料栈,设计并制备了集成畴壁通道、奥斯特场生成通道、自旋转矩驱动通道和隧穿磁阻读取通道的复合MPC器件。2. 磁光克尔效应(MOKE)显微成像:利用宽场磁光克尔效应显微镜,以360纳米的空间分辨率和20毫秒的时间分辨率,实时观测和验证畴壁的生成、驱动与动态过程。3. 电学输运测量:通过源表等设备,精确施加电流脉冲驱动畴壁运动,并测量不同畴壁位置及电压条件下MTJ的隧穿磁阻(TMR)信号,以表征高斯分布的均值和标准差。4. 微磁学模拟:使用MuMax3软件进行有限温度下的微磁学模拟,从理论上研究不同垂直磁各向异性(PMA)条件下畴壁的构型与热涨落行为,为实验结果提供理论支撑。5. 贝叶斯神经网络训练与映射:在TensorFlow Probability框架下,训练用于CIFAR-10分类的贝叶斯神经网络,获得权值的高斯分布参数(均值、标准差),并将这些参数映射到MPC器件实验可实现的物理量(TMR均值对应畴壁位置,TMR波动对应热涨落强度),构建物理硬件支持的BNN推理框架。
2.1 磁性概率计算平台与可调概率的物理实现
研究首先阐述了贝叶斯神经网络(BNN)与传统确定性网络的核心区别,即其权重被表示为概率分布(如高斯分布)而非固定值。为实现这一点,需要硬件能生成参数可调的高斯随机数。传统的CMOS方法步骤繁琐、能效低。为此,团队提出了磁性概率计算(MPC)平台。该器件基于磁性隧道结(MTJ)结构,包含自由层、势垒层和固定层。自由层中的磁性畴壁(DW)是随机性的物理来源。其工作原理是:畴壁在热扰动下会围绕其平均位置随机波动,通过自旋转矩(SOT)可精确控制畴壁的平均位置,这决定了高斯分布的均值;而热涨落导致畴壁位置的随机偏离,则决定了高斯分布的标准差。通过垂直读取结构的隧穿磁阻(TMR)效应,可以将畴壁的磁状态转换为电信号输出,从而物理上直接产生高斯分布的随机数。
2.2 磁性概率计算器件的实验实现
研究团队通过实验完整演示了MPC器件的功能。他们首先利用奥斯特场电流脉冲在磁性通道中成功生成畴壁,并利用磁光克尔效应显微镜观察了这一过程。随后,通过施加一系列自旋转矩(SOT)电流脉冲,实现了畴壁的可靠驱动。关键实验中,他们将畴壁逐步驱动并通过MTJ读取头下方,实时测量TMR信号,成功绘制出TMR随畴壁位置变化的曲线,证明了通过控制畴壁位置可以线性调节高斯分布的均值。之后,他们将畴壁停止在三个不同目标位置,并连续采集了数千个TMR数据点。统计分析表明,在每个固定位置,由于热涨落,TMR读数围绕一个均值波动,并且其分布完全符合高斯分布,且三个分布具有不同的均值但相同的标准差,验证了通过畴壁位置控制高斯分布均值的可行性。
2.3 高斯分布标准差的电压调控
仅控制均值还不够,一个完整的可调高斯发生器还需能调节其分布的宽度(标准差)。研究团队利用电压控制磁各向异性(VCMA)效应实现了这一目标。通过在MTJ结上施加电压,可以调制自由层的垂直磁各向异性(PMA)强度。PMA增强时,畴壁更稳定,热涨落被抑制,TMR读数的波动(标准差)变小;PMA减弱时,畴壁更容易受热扰动影响,导致TMR波动(标准差)变大。实验上,他们在固定畴壁平均位置的条件下,改变读取电压,并采集大量TMR数据,结果清晰显示标准差随电压发生了显著且连续的变化。这标志着研究者首次在单一硬件单元中,通过全电学方式(SOT控制位置、VCMA控制各向异性)独立且连续地调控了高斯分布的均值和标准差。
2.4 基于磁性概率计算平台的贝叶斯神经网络实现
为展示MPC平台的实用价值,研究团队将其应用于一个完整的贝叶斯神经网络(BNN)推理任务中。他们首先在软件中训练了一个用于CIFAR-10图像分类的BNN,并将其卷积层权重提取出来,这些权重表现为一系列不同均值和标准差的高斯分布。随后,他们将训练好的高斯分布参数映射到MPC器件实验所能实现的物理参数上,构建了一个“物理硬件驱动”的BNN推理系统。用CIFAR-10测试集进行验证,该系统不仅实现了78.5%的分类准确率,还能为每个预测输出95%置信区间,有效量化了预测的不确定性。混淆矩阵和校准曲线分析进一步表明,该物理BNN的预测既准确又可靠,没有表现出过度自信或自信不足。最后,研究进行了详细的性能基准测试。与采用28纳米CMOS工艺实现相同高斯随机数生成功能的电路相比,MPC基本单元在面积效率上提升了五个数量级,在能效上提升了三个数量级,整体性能指标提升了七个数量级。即使在包含矩阵运算等完整BNN系统的层面,MPC方案仍能实现约25倍的能效提升和5倍的面积缩小。
结论与讨论部分对全文工作进行了总结与展望。本研究成功提出并实验验证了一种基于自旋电子材料内禀随机性的磁性概率计算(MPC)平台。该平台通过整合磁性畴壁(DW)的热致随机性、电压控制磁各向异性(VCMA)和隧穿磁阻(TMR)三种物理机制,首次在硬件层面实现了能够直接、高效生成参数可调高斯分布随机数的物理单元,为概率计算提供了一种“原生”的硬件解决方案。以此为基础构建的贝叶斯神经网络(BNN)在标准图像分类任务中展现了良好的性能与不确定性量化能力。相较于传统的CMOS硬件实现路径,MPC平台在基础器件级别展现出七个数量级的综合性能优势,证明了利用物理随机性实现高效概率计算的巨大潜力。这项工作为开发下一代高能效、高可靠性、值得信赖的物理AI系统开辟了一条全新的道路。研究者也指出,当前工作仍处于硬件模拟框架阶段,器件性能受材料缺陷(如畴壁钉扎)限制,未来的研究方向包括进一步优化材料与工艺、将MPC单元扩展为大规模阵列、并最终实现全集成化的片上概率处理单元,以支持更复杂的AI任务,如生成式模型。这将推动自旋电子概率计算逐步走向实用化,成为构建坚实物理基础的可靠AI系统的关键使能技术。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号