奥克兰大学用一块磁铁和一个晶体管模拟出人工神经元
奥克兰大学的研究人员表示,一个磁隧道结加上一个NMOS开关即可复现脉冲行为,但机器学习演示是在仿真中完成的
作者: Letizia Giugliano
阅读约4分钟

密歇根州奥克兰大学的工程师设计出一种由两部分构成的电子神经元:一个普通晶体管和一个纳米级磁性结。他们表示,包括电脉冲时序在内的类神经元行为源自磁体的物理特性,而不是来自额外添加的控制电路。该团队将研究成果发表于《IEEE Transactions on Circuits and Systems》。
磁性结如何产生脉冲
电路的一半是一个磁隧道结(MTJ),这一纳米级发明已被用于磁阻随机存取存储器(MRAM)。它由被极薄绝缘势垒分隔的磁性层构成,其中一层在电流通过时可以转动。另一半是单个NMOS晶体管,即现代芯片中随处可见的开关,它决定流经磁体的电流大小。电子带有一种称为自旋的特性,即微小的磁取向;当它们移动时,会对磁性层施加一种称为自旋转移矩的扭转力。当该层翻转时,磁隧道结的电阻随之变化,电路中的电压也随之改变。在合适条件下,这就会产生神经元用于传递信号的那种短脉冲,即尖峰。
“人类大脑工作时只用20瓦功率;而典型的AI模型做推理需要约500倍于此的功率,你每问它一个问题还要再多花50倍的功率。”
—— Steven Louis 博士,首席研究员,奥克兰大学
“对日常设备来说,这功率太大了。我们希望AI能在本地运行,不必依赖庞大的数据中心。”
—— Steven Louis 博士,首席研究员,奥克兰大学
无需额外电路即可实现阈值与不应期
生物神经元会把传入信号累加起来,只有总和越过阈值时才发放,随后短暂停顿才能再次发放。奥克兰的仿真复现了阈值脉冲发放、延迟、不应期、突触整合和抑制。传统电子神经元通常需要许多晶体管和专门的控制逻辑才能做到同样的事。该团队称,在这里,这些行为直接源自单个磁隧道结的磁动力学。领导该团队的 Steven Louis 把目标定位在计算层面:电路复制的是让神经元有用的行为,而不是其背后的生物学机制。
另见《The Patent》相关报道:仓鼠细胞让藻类染色体稳定遗传155代 · 奥克兰研究人员测试面向2型糖尿病的语音AI教练
在软件中完成的异或测试
由这些模拟神经元构成的网络被要求学习异或门——人工智能领域一个标准的机器学习基准——它通过利用脉冲的时序而非传统数字信号完成了学习。这只是一个很小的演示,局限也很明显:该研究是基于仿真的。论文没有描述任何实际制造的芯片,也没有给出完整电路的实测功耗数据。TechXplore 于2026年11月17日报道了这项研究。
20瓦对500倍
这一设计的立论基础是能耗。Louis 认为人脑的功耗为20瓦,并称典型AI模型做推理需要约500倍于此的功率,每问一个问题还要再多50倍。传统计算机将存储与处理分开:处理器取来数据、对其进行运算,再把结果写回。GPU让这一流程变得高效,但在存储与计算之间搬运数据仍然耗电。神经形态硬件试图省去这一往返,方法是把状态保存在一个既能存储信息、又参与计算的物理器件中。在该电路中,磁隧道结磁化状态的变化参与决定神经元何时发放;它并不只是被读取。
文献未提及任何专利申请
该论文报告的是一个器件概念和仿真结果。文中没有提到任何专利申请、授权专利,也没有提到与初创企业的许可协议,消息来源也没有任何迹象显示奥克兰大学已就该设计寻求保护。因此,其知识产权状况并未说明。 发明人所提出的创新点,是利用MTJ自身的动力学、而非额外增加的电路,来产生类神经元的脉冲发放。这一点最终是否会写入申请,消息来源并未说明;不过该概念可能引起从机器人到航天等领域的兴趣。
AI 辅助撰写
由英文原文自动翻译. 阅读原文
图片:


