研究人员使用磁系统人工再现大脑的学习和遗忘功能巴塞罗那 自治大学EDL 形成示意图。学分：UAB随着大数据的出现，当前的计算架构被证明是不够的。减小晶体管尺寸的困难、大的功耗和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新的受大脑启发的计算范式，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位置对应于信息保留或“学习”，而OFF位置对应于信息删除或“忘记”。

在最近的一份出版物中，来自巴塞罗那自治大学 (UAB)、CNR-SPIN (意大利)、加泰罗尼亚纳米科学和纳米技术研究所 (ICN2)、微纳米技术研究所 (IMN-CNM-CSIC) 和ALBA Synchrotron 探索了使用新的先进材料设备模拟人工突触。该项目由 UAB 物理系的 Serra Húnter 研究员 Enric Menéndez 和 ICREA 研究员 Jordi Sort 领导，并且是 Sofia Martins 博士的一部分。论文。

一种模拟突触功能的新方法

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。在这里，研究人员的建议是使用磁离子学，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，仅通过电压驱动的氧气运动从目标向储层（ON）和反之亦然（关闭）。

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。

样品的 X 射线吸收光谱 (XAS) 在 ALBA 同步加速器的 BOREAS 光束线上进行。XAS 用于在室温下表征氧化钴薄膜的元素组成和氧化态，结果对于较薄和最厚的薄膜来说是不同的。这些发现对于理解薄膜之间氧的磁离子运动差异至关重要。

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相关的影响，结果提供了磁离子系统可以模拟“学习”和“遗忘”功能的证据。

除了神经形态计算之外，磁存储器和自旋电子学等其他实际应用也将受益于这项研究的结果。磁存储器与节能磁离子的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的有希望的候选者。