本发明专利技术公开了一种基于磁斯格明子纳米振荡器的物理神经网络构建方法，包括以磁斯格明子纳米振荡器构建成的神经元建立储备池层，依次连接输入层、储备池层和线性层，从而建立物理神经网络等步骤。本发明专利技术所建立的物理神经网络与纯计算机程序运行的神经网络功能相同或者更优，由于磁斯格明子纳米振荡器属于新型的自旋器件，具有更低的功耗和内禀的非易失性，更容易实现存算一体架构，物理神经网络能够在数据识别任务中表现出优异的性能，除了具有高精度和快速信息处理能力外，还具有小尺寸、高集成度、低功耗等优点，有望为构建具有超高密度和超低能耗的物理神经网络提供技术支持，加速其在人工智能领域的应用。本发明专利技术广泛应用于人工智能技术领域。人工智能技术领域。人工智能技术领域。
【技术实现步骤摘要】
一种基于磁斯格明子纳米振荡器的物理神经网络构建方法
[0001]本专利技术涉及人工智能
，尤其是一种基于磁斯格明子纳米振荡器的物理神经网络构建方法。
技术介绍
[0002]近年来，随着人工智能技术的发展，神经网络作为其重要分支受到广泛关注。人工神经网络模拟生物神经元的工作原理，具有强大的自学能力、联想记忆能力和高速寻找优化解的能力，因而成为当前机器学习及相关领域的研究焦点，广泛应用于模式识别、数据分类、任务预测等多个领域。神经形态器件是一种基于神经元结构的电子器件，可实现类似于人脑神经元的功能。此类器件具有高度的可重构性和可塑性，能适应不同的神经网络结构，具有低功耗、高速度、高可靠性等优点。因此，神经形态器件在构建人工智能芯片方面具有极大的应用潜力。
[0003]实现神经形态器件有多种技术途径，其中一种采用自旋纳米振荡器作为核心单元。根据信号载体类型，自旋纳米振荡器可分为基于磁单畴/磁畴壁的自旋纳米振荡器、基于磁涡旋的纳米振荡器和基于磁斯格明子的纳米振荡器。在性能上，基于磁单畴或磁畴壁的纳米振荡器线宽较大，基于磁涡旋的纳米振荡器虽然线宽小，但器件尺寸大、稳定性低、阈值驱动电流高。另外，目前基于磁斯格明子纳米振荡器的神经形态器件未充分利用振荡器的非线性特征。
[0004]术语解释：
[0005]ESN(Echo State Network):回声状态网络；
[0006]OOMMF(Object Oriented Micromagnetic Framework):面向对象的微磁模拟工具；
[0007]LLG(Landau
‑
Lifshitz
‑
Gilbert)方程:朗道
‑
利夫希兹
‑
吉尔伯特方程；
[0008]DMI(Dzyaloshinskii
‑
Moriya Interaction):一种非对称交换相互作用。
技术实现思路
[0009]针对现有由自旋纳米振荡器构建的物理神经网络在性能方面的不足，如基于磁涡旋的纳米振荡器尺寸大、稳定性低、阈值驱动电流高，磁斯格明子纳米振荡器的非线性特征使用不充分等技术问题，本专利技术的目的在于提供一种基于磁斯格明子纳米振荡器的物理神经网络构建方法，提出一种尺寸小、稳定性高、阈值电流低且能够充分利用纳米振荡器非线性特征的物理神经网络。
[0010]本专利技术实施例包括一种基于磁斯格明子纳米振荡器的物理神经网络构建方法，包括：
[0011]获取若干个磁斯格明子纳米振荡器；所述磁斯格明子纳米振荡器用于对输入信号响应产生输出信号，在所述输入信号归零后，所述输出信号随时间非线性衰减呈现短时记忆特性；
[0012]建立输入层和线性层；
[0013]以各所述磁斯格明子纳米振荡器构建神经元；
[0014]以所述磁斯格明子纳米振荡器构建成的神经元建立储备池层；
[0015]依次连接所述输入层、所述储备池层和所述线性层，从而建立物理神经网络。
[0016]进一步地，所述磁斯格明子纳米振荡器包括自由层、中间层、固定层和点电极；
[0017]所述自由层、所述中间层和所述固定层依次层叠接触；
[0018]所述点电极与所述自由层的远离所述中间层的一面接触；
[0019]所述点电极用于接收电流信号；
[0020]所述自由层用于通过Dzyaloshinskii
‑
Moriya相互作用稳定位于其中的斯格明子，使所述斯格明子具有奈尔型结构，以及产生磁矩分量随时间的变化；
[0021]所述固定层用于产生自旋极化电流，并与所述自由层和所述中间层协同产生磁阻效应。
[0022]进一步地，所述自由层包括层叠的Co超薄膜和Pt层；其中，所述Co超薄膜与所述中间层接触，所述Pt层位于远离所述中间层的一面；
[0023]所述中间层为MgO薄膜；
[0024]所述固定层为CoFeB薄膜。
[0025]进一步地，所述自由层、所述中间层和所述固定层为横截面直径相同的圆盘体；所述点电极为横截面直径小于所述自由层的圆盘体。
[0026]进一步地，所述以各所述磁斯格明子纳米振荡器构建神经元，包括：
[0027]获取电流源、电感器、电容器和二极管；
[0028]将所述电流源、所述电感器、所述电容器、所述二极管和所述磁斯格明子纳米振荡器连接成所述神经元；其中，所述电流源的一个输出端、所述电感器、所述电容器、所述二极管的正极、所述二极管的负极与所述电流源的另一个输出端依次串接成一个环路，所述电感器与所述电容器的连接端与所述点电极连接，所述电流源与所述二极管的负极的连接端与所述固定层连接并接地。
[0029]进一步地，所述以各所述磁斯格明子纳米振荡器构建神经元，还包括：
[0030]获取示波器；
[0031]将所述电流源的一个输出端、所述电感器、所述电容器、所述二极管的正极、所述二极管的负极、所述示波器与所述电流源的另一个输出端依次串接成一个环路。
[0032]进一步地，所述磁斯格明子纳米振荡器通过所述点电极接收电流信号作为输入信号；所述磁斯格明子纳米振荡器通过所述自由层中磁矩分量随时间变化所产生的高频微波信号作为输出信号。
[0033]进一步地，所述基于磁斯格明子纳米振荡器的物理神经网络构建方法还包括：
[0034]对所述物理神经网络进行训练。
[0035]进一步地，所述对所述物理神经网络进行训练，包括：
[0036]获取训练集数据和相应的标签数据；
[0037]将所述训练集数据输入至所述输入层；
[0038]由所述输入层将所述训练集数据编码成电流信号；
[0039]将所述电流信号作为输入信号，分别输入至所述储备池层中的各所述磁斯格明子
纳米振荡器，获取各所述磁斯格明子纳米振荡器各自的输出信号；
[0040]将各所述输出信号分别输入至所述线性层进行线性处理；
[0041]获取所述线性层的输出结果作为所述物理神经网络的输出结果；
[0042]根据所述物理神经网络的输出结果与所述标签数据计算损失函数；
[0043]根据所述损失函数，对所述所述线性层进行优化。
[0044]进一步地，所述基于磁斯格明子纳米振荡器的物理神经网络构建方法还包括：
[0045]使用经过训练的所述物理神经网络，执行数据识别任务。
[0046]本专利技术的有益效果是：实施例中的一种基于磁斯格明子纳米振荡器的物理神经网络构建方法，所建立的物理神经网络与纯计算机程序运行的神经网络功能相同或者更优，由于其应用的磁斯格明子纳米振荡器属于新型的自旋器件，具有更低的功耗和内禀的非易失性，更容易实现存算一体架构，物理神经网络能够在数据识别任务中表现出优异的性能，除了具有高精度和快速信息处理能力外，还具有小尺寸、高集成度、低功耗等优点，有望为构建具有超高密度和超低能耗的物理本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于磁斯格明子纳米振荡器的物理神经网络构建方法，其特征在于，所述基于磁斯格明子纳米振荡器的物理神经网络构建方法包括：获取若干个磁斯格明子纳米振荡器；所述磁斯格明子纳米振荡器用于对输入信号响应产生输出信号，在所述输入信号归零后，所述输出信号随时间非线性衰减呈现短时记忆特性；建立输入层和线性层；以各所述磁斯格明子纳米振荡器构建神经元；以所述磁斯格明子纳米振荡器构建成的神经元建立储备池层；依次连接所述输入层、所述储备池层和所述线性层，从而建立物理神经网络。2.根据权利要求1所述的基于磁斯格明子纳米振荡器的物理神经网络构建方法，其特征在于，所述磁斯格明子纳米振荡器包括自由层、中间层、固定层和点电极；所述自由层、所述中间层和所述固定层依次层叠接触；所述点电极与所述自由层的远离所述中间层的一面接触；所述点电极用于接收电流信号；所述自由层用于通过Dzyaloshinskii
‑
Moriya相互作用稳定位于其中的斯格明子，使所述斯格明子具有奈尔型结构，以及产生磁矩分量随时间的变化；所述固定层用于产生自旋极化电流，并与所述自由层和所述中间层协同产生磁阻效应。3.根据权利要求2所述的基于磁斯格明子纳米振荡器的物理神经网络构建方法，其特征在于：所述自由层包括层叠的Co超薄膜和Pt层；其中，所述Co超薄膜与所述中间层接触，所述Pt层位于远离所述中间层的一面；所述中间层为MgO薄膜；所述固定层为CoFeB薄膜。4.根据权利要求2所述的基于磁斯格明子纳米振荡器的物理神经网络构建方法，其特征在于，所述自由层、所述中间层和所述固定层为横截面直径相同的圆盘体；所述点电极为横截面直径小于所述自由层的圆盘体。5.根据权利要求2
‑
4任一项所述的基于磁斯格明子纳米振荡器的物理神经网络构建方法，其特征在于，所述以各所述磁斯格明子纳米振荡器构建神经元，包括：获取电流源、电感器、电容器和二极管；将所述电流源、所述电感器、所述电容器、所述二极管和所述磁斯格明子纳米振荡器连接成所述神经元；...
【专利技术属性】
技术研发人员：邢祥军，熊珊，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。