技术博客
新闻转载
医疗器械磁铁

这种微小磁铁可将普通晶体管电路转化为人工神经元

November 18, 2026AIC Engineering
This tiny magnet could turn ordinary transistor circuits into artificial neurons / 这种微小磁铁可将普通晶体管电路转化为人工神经元

研究人员设计了一种新型电子神经元,将传统晶体管与纳米级磁性器件这两个简单元件相结合,以重现生物神经元的行为。与传统电子神经元不同,这些行为自然源于器件的磁性,无需复杂的控制电路。该电路能够产生类似生物神经元的精确计时电脉冲,并在小型演示中成功执行机器学习任务。

正文

本文由骏材磁应用(AIC Engineering)转载。所有权利归原出版商所有;请参阅下方来源。

研究人员设计了一种电子神经元,结合了传统晶体管和纳米级磁性器件这两个简单元件,以重现生物神经元的行为。与传统电子神经元不同,这些行为自然源于器件的磁性,无需复杂的控制电路。该电路能够产生类似于生物神经元的精确计时电脉冲,并在一个小型演示中执行机器学习。

最新一代的人工智能有一个令人头疼的“胃口”:模型越大,所需的芯片、数据移动和电力就越多。因此,下一代AI硬件的一个目标不仅仅是让计算机变得更聪明,而是让计算变得远不那么浪费。

密歇根州奥克兰大学(Oakland University)的一个团队提出了一种减少这种浪费的方法:用标准电子晶体管与磁隧道结(MTJ)配对来构建人工神经元。在模拟中,由这些组件构成的网络通过使用电脉冲的时间而非传统的数字信号,学习了一个标准的机器学习基准——异或(XOR)门。该研究最近发表在《IEEE Transactions on Circuits and Systems》上。

这项工作目前仍基于模拟,但它指出了一种可能的方法,使AI硬件的行为不那么像传统计算机,而更像大脑:在发生事情时活跃,并能够让其材料的物理特性完成部分工作。

“人类大脑使用20瓦的功率来工作;典型的AI模型在推理时需要大约500倍的功率,而你每问它一个问题,又需要额外的50倍,”奥克兰大学团队的首席研究员Steven Louis博士说。“对于日常设备来说,这消耗的功率太大了。我们希望AI能够在本地工作,而不依赖庞大的数据中心。模拟生物学可能是实现这一目标的途径。”

让磁铁协助计算

MTJ已广泛应用于MRAM(磁阻随机存取存储器)。它们包含由极薄绝缘屏障隔开的磁性层。当电流通过器件时,其中一个磁性层可以改变其方向。

这是因为电子具有一种称为自旋的特性,其行为在某种程度上类似于微小的磁性方向。当电流流过MTJ时,这些自旋可以对磁化施加微小的扭转力。研究人员称之为自旋转移矩(spin-transfer torque)。

这种效应很微小,但在纳米尺度上可以产生可测量的变化。随着磁化的移动,MTJ的电阻发生变化。在存储芯片中,这种变化可以代表一个存储位。在这里,研究人员将其用于不同的目的:帮助产生生物神经元用于通信的短电脉冲或“脉冲(spikes)”。

MTJ与单个NMOS晶体管配对——这是现代计算机芯片中随处可见的基本开/关开关。晶体管控制流过磁性器件的电流。随着磁化的移动,MTJ的电阻发生变化,从而改变电路中的电压。在适当的条件下,这会产生一个脉冲。MTJ和晶体管共同构成了一个“磁性神经元”。

生物神经元不会对每个传入的信号都做出反应。它们收集输入,仅当这些输入超过阈值时才触发,然后在能够再次触发之前进入一个短暂的不应期。模拟的磁性神经元重现了几种有用的类神经元行为,包括阈值触发、延迟、不应期、突触整合和抑制。

在传统电子神经元中,重现这些行为通常需要包含许多晶体管的复杂电路,而在这里,这些行为自然源于单个MTJ的磁动力学。

它不是生物神经元。但它可以模拟使神经元有用的计算行为。

为什么不直接使用普通芯片?

传统计算机将存储和计算在很大程度上分开。处理器获取数据,执行操作,将结果写回并继续。现代AI加速器(包括GPU)非常擅长使这一过程变得高效——但在存储和处理单元之间移动数据仍然消耗大量能源。

神经形态硬件试图模糊这一界限。物理器件可以保持一种状态,既存储信息又参与计算。在这种设计中,MTJ不断变化的磁状态不仅仅是电路测量的对象。它的动力学有助于决定神经元何时触发。

这对于不需要连续运行的AI系统可能很重要。脉冲电路可以在脉冲到达之前保持基本不活跃,而不是对未更改的数据重复执行高能耗的计算。

这使得该方法在受功率限制的事件驱动应用中具有潜在的吸引力:工业传感器、机器人、相机、音频系统和可穿戴设备,在这些设备中,数据通常是间歇性到达的,而不是作为恒定的数据流。

当时间携带信息时

重要的转折在于,电路在脉冲发生时对信息进行编码。

在传统数字系统中,信号通常被读取为逻辑状态:1或0。在脉冲系统中,早到的脉冲可能与晚到的脉冲意味着不同的东西。时间成为正在处理的信息的一部分。

在奥克兰大学的模拟中,人工神经元通过纳秒级时间尺度上的脉冲时间进行通信。研究人员报告称,典型的神经元响应延迟低于5纳秒,网络在一种状态下运行,即每个神经元每个输入模式最多产生一个脉冲。

这种时间不仅仅是输出。它成为了学习的基础。

一个简单的学习测试

为了观察所提出的神经元是否不仅能触发,研究人员将它们连接成一个小型多层网络,并在异或(XOR)门上对其进行训练,这是非线性机器学习的标准基准。

该网络从不能产生正确答案的突触权重开始。在训练期间,它重复运行推理,将实际输出脉冲时间与期望时间进行比较,并使用基于梯度下降的规则调整突触权重。训练后,网络能够重现异或功能。

研究人员报告称,网络在建模条件下收敛,完全在模拟仿真中展示了非线性处理、多层通信和权重适应。甚至训练也发生在模拟电路内部,而不是在外部软件中执行。

这是一个非常小的演示,没有人建议少数磁性神经元会取代GPU,但更有趣的一点是,磁性器件的物理动力学直接参与计算,而不仅仅是为传统处理器存储数据以供操作。

一个实用的起点

奥克兰大学团队将其方法描述为“CMOS+X”。通俗地说,它并没有放弃用于制造当今芯片的技术;相反,它增加了另一种类型的器件——在这种情况下,是自旋电子学与常规电子学并存。

这使得这个想法看起来不那么牵强。由于在MRAM和传感器中的应用,MTJ及相关磁性器件已经建立了成熟的制造和研究基础。悬而未决的问题是,这些器件是否也能成为实用的计算构建块。

难点在于:它尚未被制造出来

虽然发表的结果很有希望,但迄今为止,它们仅在基于LTspice的电路模拟中得到了证明。制造所提出的神经元并在实验室中进行演示将需要时间和资金。

进一步的努力将很重要,因为真实的磁性器件是复杂的。制造差异会改变它们的行为。热波动会干扰磁化。温度、电阻差异和自热都可能影响脉冲产生的可靠性。因此,下一步将需要确定在现实世界条件下脉冲时间的鲁棒性。

模拟系统的某些部分也是理想化的,某些突触和学习电路是用功能模型表示的,而不是完整的晶体管级实现。

磁铁只是个开始

实用的神经形态处理器需要的不仅仅是一个工作的人工神经元。研究的下一阶段必须连接大量器件,创建实用的突触,管理组件之间的差异,并开发不会悄悄将系统变回传统数字计算机的训练方法。

尽管如此,所提出的架构因其简单性而具有吸引力。晶体管控制磁性器件。磁铁改变状态。这改变了电信号,电路产生一个其时间携带信息的脉冲。

“将足够多的这些元件组合在一起,结果开始看起来不那么像传统处理器,而更像是一组生物神经元,”Louis说。然而,这是否能转化为更快或更节能的AI还有待观察。但他的工作表明了一种可能性:未来的AI硬件可能不需要显式地计算神经网络的每一个部分。一些计算可能会发生,因为材料本身以正确的方式表现。

在这种情况下,这些材料之一就是非常微小的磁铁。

资讯来源