自旋电子器件和递归神经网络

1.本公开涉及自旋电子器件技术领域，更具体地，涉及一种自旋电子器件和递归神经网络。


背景技术：

2.组合优化问题，是研究在给定限制条件下使用最优组合方案，使得目标函数达到最值的问题。研究并对组合优化问题进行正确求解，有助于在复杂条件下做出最优策略，优化资源利用率，提高效率，在工业生产、物流配送以及计算机算法等实际场景中有着重要的指导意义。但是由于许多组合优化问题是np-hard问题，无法在多项式时间内找到一个精确的解决方案，通常使用启发式的算法在多项式时间内给出一个近似的解决方案。故而，欲实现组合优化问题的求解，需合适的硬件和算法。
3.相关技术基于常规cmos器件实现hnn求解组合优化问题的方式功耗较大，因此，如何在hopfield网络求解组合优化问题中以小的代价(例如能耗较小，密度较高)施加合适的噪声，以提高hnn求解问题的成功率。


技术实现要素：

4.有鉴于此，本公开实施例提供了一种自旋电子器件和递归神经网络。
5.本公开实施例的一个方面提供了一种自旋电子器件，包括：
6.衬底；
7.自旋轨道耦合层，设置在上述衬底的顶面；
8.磁性层，设置在上述自旋轨道耦合层的顶面，其中，在上述自旋轨道耦合层和磁性层的反对称交换作用以及偶极相互作用的共同作用下，能够形成稳定的周期性交替的磁畴结构；
9.势垒层，设置在上述磁性自由层的顶面；
10.至少两个电极，分别设置在上述衬底的顶面的两侧，且上述电极分别与上述自旋轨道耦合层、上述磁性层和上述势垒层连接，上述电极用于施加输入电信号；
11.其中，在上述电极上施加上述输入电信号的情况下，上述输入电信号流入上述自旋电子器件使得上述自旋电子器件产生随上述输入电信号焦耳热，进而使得上述自旋电子器件的阻值具有动态波动特性。
12.根据本公开的实施例，自旋电子器件，还包括：
13.保护层，设置在上述势垒层的顶面。
14.根据本公开的实施例，上述磁性层的材料包括以下至少一种：cofeb、cofe、irmn、co和fe；
15.上述保护层和上述自旋轨道耦合层的材料包括以下至少一种：ta、pt、w、ru和pd；
16.上述势垒层的材料包括以下至少一种：mgo和alo
x
；
17.上述衬底的材料包括以下至少一种：si和sio2。
18.根据本公开的实施例，上述输入电信号包括第一时刻施加的写电流和第二时刻施加的读电流，上述写电流大于上述读电流；
19.其中，在上述写电流施加在上述自旋电子器件的情况下，上述自旋电子器件的阻态发生变化并产生焦耳热，上述焦耳热使得上述自旋电子器件的阻值发生变化；
20.在上述写电流撤销且施加上述读电流的情况下，上述焦耳热随时间散失使得上述自旋电子器件的阻值再次发生变化，以通过上述读电流读取具有动态波动特性的阻值，其中，上述动态波动特性表征发生变化的自旋电子器件的阻值。
21.根据本公开的实施例，在上述自旋电子器件上施加上述写电流的情况下，上述写电流通过自旋轨道力矩驱动磁畴结构中磁畴方向的变化，激励上述自旋电子器件的磁畴结构形貌改变，为上述自旋电子器件赋予不同的阻态。
22.本公开实施例的另一个方面提供了一种递归神经网络，包括：
23.第一器件阵列，其中，上述第一器件阵列包括多个上述自旋电子器件，上述自旋电子器件用于存储权重，上述权重是通过第一写信号对初始权重进行初始化得到的；
24.多个激活函数；
25.第二器件阵列，其中，上述第二器件阵列包括多个自旋电子器件，上述第二器件阵列中的自旋电子器件用于存储偏置参数，上述偏置参数是通过第二写信号对初始偏置参数进行初始化得到的；
26.其中，在上述第一器件阵列上施加第一读信号的情况下，上述第一器件阵列输出第一输出信号，在上述第二器件阵列上施加第二读信号的情况下，上述第二器件阵列输出第二输出信号，将第三输出信号输入多个上述激活函数，得到目标输出信息，上述第三输出信号是根据上述第一输出信号和第二输出信号生成的。
27.根据本公开的实施例，递归神经网络，还包括：
28.第三器件阵列，其中，上述第三器件阵列包括多个自旋电子器件，上述第三器件阵列中的自旋电子器件用于存储上述目标输出信息；
29.其中，在上述第三器件阵列上施加第三读信号的情况下，上述第三器件阵列输出目标电信号，将上述目标电信号确定新的第一读信号，以利用上述新的第一读信号迭代地输出新的目标输出信息。
30.根据本公开的实施例，在上述第一器件阵列上施加上述第一写信号，以对上述第一器件阵列中存储的初始权重进行初始化处理，得到上述权重；
31.在上述第二器件阵列上施加上述第二写信号，以对上述第二器件阵列中存储的初始偏置参数进行初始化处理，得到上述偏置参数。
32.根据本公开的实施例，上述递归神经网络用于求解旅行商问题，随着迭代次数的增加，上述递归神经网络中第一器件阵列的自旋电子器件随着迭代时间产生具有动态波动特性的阻值，上述阻值用于避免上述递归神经网络求解旅行商问题时陷入局部最优解。
33.本公开的自旋电子器件和递归神经网络具有如下效果：
34.(1)使用基于自旋轨道力矩驱动的自旋电子器件，响应速度快、耐久性高、功耗低，具有非易失性、与cmos工艺兼容且存储密度高；
35.(2)复杂稳定的磁畴结构在受到电流激励之后，焦耳热随时间降低，其信号在热量耗散的过程中被扰动。该含时动态波动噪声可以通过控制写电流和读电流的大小来调控起
始波动的高低以及散热曲线，是一种灵活的含时动态波动噪声调控策略；
36.(3)含时动态波动是器件本身具有的特性，不需要增加额外的噪声扰动模块，例如退火模块等。这显著提高了器件的集成度，降低了外围电路的复杂性；
37.(4)可调控的含时动态波动噪声可有效提高递归神经网络求解组合优化问题的成功率，有重要的指导意义。
附图说明
38.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
39.图1示意性示出了根据本公开实施例的自旋电子器件的结构示意；
40.图2示意性示出了根据本公开实施例的自旋电子器件的磁性层的电热仿真结果示意图；
41.图3示意性示出了根据本公开实施例的递归神经网络的结构示意图；
42.图4示意性示出了根据本公开实施例的递归神经网络求解旅行商问题时多个城市之间的路径示意图；
43.图5示意性示出了根据本公开实施例的递归神经网络求解旅行商问题时部分权重的映射示意图；
44.图6示意性示出了根据本公开实施例的递归神经网络求解旅行商问题的算法流程图；
45.图7示意性示出了根据本公开实施例的动态波动噪声随迭代次数的变化曲线图。
具体实施方式
46.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
47.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
48.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
49.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
50.随着人工智能技术的普及，大数据、组合优化、实时识别等技术的大规模应用，对存储设备的速度，容量，耐久性以及密度的要求不断提高。自旋电子器件由于其纳秒级别的
快速响应速度，10
12
以上的高耐久性，低功耗，非易失性，与cmos工艺兼容且存储密度较高的优点，成为具有较大发展前景的一种新型存储器件。其中，自旋轨道力矩驱动的自旋电子器件进一步提高了器件的耐久性并降低了能耗，是自旋研究领域的热点。但是在室温无外场的条件下对磁畴结构进行调控依旧是难点，单磁畴器件组态较少无法处理复杂问题；斯格明子虽然有较好的稳定性，但是其生成条件较为苛刻。作为非规则的磁畴结构，复杂磁畴结构的自旋电子器件由于其操作性好，磁畴形貌变化多，相比于单磁畴和斯格明子器件，具有更多的阻态，可以更好的应用于求解组合优化问题的过程。
51.作为一个经典的组合优化问题，tsp问题(旅行商问题)可使用复杂磁畴结构的自旋电子器件为实现求解的硬件，结合hopfield网络，则能以较低能耗和较快速度求解。但是递归神经网络在迭代的过程中，会出现局部能量最小化的问题，此时该网络能量陷入局部最小，无法跳出该局部能量最小值找到全局能量最小值。为解决该问题，可以在求解过程中施加静态噪声或者随时间变化的动态噪声，使得递归神经网络逐渐收敛于全局最优解。
52.如今递归神经网络实现组合优化问题求解所面临的技术难点在于，如何在递归神经网络求解组合优化问题的合适步骤中，以小的代价(能耗较小，密度较高)施加合适的噪声，提高递归神经网络求解tsp问题的成功率。
53.有鉴于此，本公开的实施例提供了一种自旋电子器件和递归神经网络。该自旋电子器件包括：衬底；自旋轨道耦合层，设置在衬底的顶面；磁性层，设置在自旋轨道耦合层的顶面，其中，在自旋轨道耦合层和磁性层的反对称交换作用以及偶极相互作用的共同作用下，能够形成稳定的周期性交替的磁畴结构；势垒层，设置在磁性自由层的顶面；至少两个电极，分别设置在衬底的顶面的两侧，且电极分别与自旋轨道耦合层、磁性层和势垒层连接，电极用于施加输入电信号；其中，在电极上施加输入电信号的情况下，输入电信号流入自旋电子器件使得自旋电子器件产生随输入电信号焦耳热，进而使得自旋电子器件的阻值具有动态波动特性。
54.图1示意性示出了根据本公开实施例的自旋电子器件的结构示意。
55.如图1所示，自旋电子器件100包括：
56.衬底110；
57.自旋轨道耦合层120，设置在衬底110的顶面；
58.磁性层130，设置在自旋轨道耦合层120的顶面，其中，在自旋轨道耦合层120和磁性层130的反对称交换作用以及偶极相互作用的共同作用下，能够形成稳定的周期性交替的磁畴结构；
59.势垒层140，设置在磁性自由层的顶面；
60.至少两个电极150，分别设置在衬底110的顶面的两侧，且电极150分别与自旋轨道耦合层120、磁性层130和势垒层140连接，电极150用于施加输入电信号；
61.其中，在电极150上施加输入电信号的情况下，输入电信号流入自旋电子器件100使得自旋电子器件100产生随输入电信号焦耳热，进而使得自旋电子器件100的阻值具有动态波动特性。
62.根据本公开的实施例，输入电信号可以包括电流较大的写电流和电流较小的读电流。电极150的数量可以为2个、4个或者6个等，图1中以4个电极150进行示例性描述。电极150可以由ti/au或者ni组成
63.根据本公开的实施例，通过调控磁性层130的厚度，磁性层130与自旋轨道耦合层120在室温下形成稳定复杂的磁畴结构，其中，磁畴结构中的磁化方向包括磁化向上和磁化向下，多种不同方向的有一定纹理的条纹状磁畴存在于磁性层130中，从而形成结构复杂的磁畴壁。可以在较大电流脉冲的激励下，实现磁畴状态的改变，从而改变器件整体的电阻。
64.根据本公开的实施例，在大电流的写电流驱动下，磁矩会发生变化，使得整个的磁织构改变，从而改变自旋电子器件的阻值。也就是说写电流的目的是为了完成磁织构新结构的形成，这个新的磁织构必然对应着一个阻值。写电流使得自旋电子器件的阻值发生变化，实现了对器件阻值的“写入”。
65.根据本公开的实施例，当想知道这个阻值是多大，就会施加一个小的读电流，读此时的自旋电子器件的阻值，但是这个较小的电流又不会驱动磁织构。也就是从理论上讲，可以读取到这个器件的磁织构所对应的阻值。
66.根据本公开的实施例，在考虑温度的情况下，较高的温度会使得磁织构受到较大的扰动，也就是说通过读电流读取的器件阻值是有较大的波动的。当温度较小的时候，阻值的波动是较小的。故而，当温度从高到低变化的时候，阻值的波动是逐渐减小的，也就是阻值的动态波动特性。
67.根据本公开的实施例，在较大写电流的激励下，自旋电子器件100产生焦耳热；则当自旋电子器件100施加较小的读电流时，读取的自旋电子器件100阻值将受到焦耳热的影响而发生较大的扰动，并且随着温度的下降，所读取的阻值受到的扰动逐渐减小，直至回归环境温度下的扰动。将该过程的含时动态波动噪声数据拟合，则可以得到波动随迭代次数的公式。
68.根据本公开的实施例，通过不同电流的输入电信号对自旋电子器件100进行激励，在焦耳热的作用下使得自旋电子器件100的阻值具有动态波动特性，从而不需要增加额外的噪声扰动模块，提高了自旋电子器件100的集成度，降低了外围电路的复杂性。
69.根据本公开的实施例，自旋电子器件100还包括：
70.保护层160，设置在势垒层140的顶面。
71.根据本公开的实施例，磁性层130的材料包括以下至少一种：cofeb、cofe、irmn、co和fe；
72.保护层160和自旋轨道耦合层120的材料包括以下至少一种：ta、pt、w、ru和pd；
73.势垒层140的材料包括以下至少一种：mgo和alo
x
；
74.衬底110的材料包括以下至少一种：si和sio2。
75.根据本公开的实施例，输入电信号包括第一时刻施加的写电流和第二时刻施加的读电流，写电流大于读电流；
76.其中，在写电流施加在自旋电子器件100的情况下，自旋电子器件100的阻态发生变化并产生焦耳热，焦耳热使得自旋电子器件100的阻值发生变化；
77.在写电流撤销且施加读电流的情况下，焦耳热随时间散失使得自旋电子器件100的阻值再次发生变化，以通过读电流读取具有动态波动特性的阻值，其中，动态波动特性表征发生变化的自旋电子器件的阻值。
78.根据本公开的实施例，读电流的目的是读取阻值，当写电流施加的时候，温度会在短时间内升高，但是此时没有施加读电流，不知道阻值的多少。当撤去写电流，施加读电流
的时候，才知道阻值的大小。而且，此处读电流信号是脉冲信号，也就是说，当第一个读电流加上去之后读取到的是一个温度较高情况下的磁阻阻值，在较高温度下不断读取阻值，此时的电阻的波动是较大的；随着后续读电流的不断施加，温度也逐渐的下降，所读取的阻值，其波动相比之前也是减小。
79.根据本公开的实施例，所谓的动态波动是指阻值由于磁矩受到温度扰动而出现的波动。特指阻值在写电流撤去之后，阻值受温度影响而出现的，电阻波动随时间变化的特性。波动是一段时间的一个特性，并非是某个时间点的特性。
80.根据本公开的实施例，图2所示为自旋电子器件100的磁性层130在多物理场仿真软件comsol中的电热仿真结果图。按照图1所示的自旋电子器件100结构，在软件中建模，同时在左右两个电极150之间施加1ma电流(例如是写电流)，持续18ns，之后观察磁性层130中心点的温度随时间的变化。结果如图2所示，在施加电流的过程中，温度不断地上升，撤去电流之后温度从最高点317.93k随时间逐渐下降，在70ns时降到300k左右，整个降温的过程接近于指数下降。经过实验测试，自旋电子器件100的电导的波动处于1％～12％这个范围内，需要说明的是，上述数值仅为示例，并非限制动态波动特性只能为上述范围。根据本公开的实施例，在自旋电子器件100上施加写电流的情况下，写电流通过自旋轨道力矩驱动磁畴结构中磁畴方向的变化，激励自旋电子器件100的磁畴结构形貌改变，为自旋电子器件100赋予不同的阻态。
81.根据本公开的实施例，由于复杂的磁畴结构具有丰富的调控特性，输入电信号调控的复杂磁畴结构拥有多种阻态，多种可区分的阻态使得该自旋电子器件100可以处理复杂的问题。
82.图3示意性示出了根据本公开实施例的递归神经网络200的结构示意图。
83.如图3所示，递归神经网络200包括：
84.第一器件阵列，其中，第一器件阵列包括多个自旋电子器件100，自旋电子器件100用于存储权重，权重是通过第一写信号对初始权重进行初始化得到的；
85.多个激活函数210；
86.第二器件阵列，其中，第二器件阵列包括多个自旋电子器件100，第二器件阵列中的自旋电子器件100用于存储偏置参数，偏置参数是通过第二写信号对初始偏置参数进行初始化得到的；
87.其中，在第一器件阵列上施加第一读信号的情况下，第一器件阵列输出第一输出信号，在第二器件阵列上施加第二读信号的情况下，第二器件阵列输出第二输出信号，将第三输出信号输入多个激活函数，得到目标输出信息，第三输出信号是根据第一输出信号和第二输出信号生成的。
88.根据本公开的实施例，图3所示的是递归神经网络200求解tsp问题过程中，多个激活函数210之间迭代的具体方式。图3中每一个激活函数210的输入都会包括其他激活函数210的输出信息。
89.根据本公开的实施例，初始化之后，递归神经网络200进入工作状态。第一器件阵列施加第一读信号(或读电压)，则第一器件阵列中的每一列输出一个第一输出信号，例如电流信号，此时第二器件阵列施加第二读信号(例如读电压，且该读电压可以保持始终不变，只要输出稳定的电流，就可以加到第一器件阵列中一列输出的第一输出信号上)，第二
器件阵列输出第二输出信号。第一器件阵列每列输出的第一输出信号与第二器件阵列输出的第二输出信号叠加，可以得到第三输出信号，在此过程中，电流实现了电压和电导的乘法。
90.根据本公开的实施例，在第一器件阵列存储的权重的情况下，从第一器件阵列的左侧输入第一读信号到第一器件阵列中。然后，第一读信号施加到自旋电子器件100之上，用电导作为第一器件阵列中存储的信息，也就是说，在横向上施加第一读信号，每个自旋电子器件100在施加第一读信号之后都会输出一个电流的第一输出信号，纵向的电流是这个纵向线上所有自旋电子器件100的电流的加和。因此可以通过第一器件阵列实现大规模的乘加计算。
91.根据本公开的实施例，在输入n个第一读信号，就会输出n个第一输出信号。当然在输出n个第一输出信号之后，还需要第二器件阵列进行处理，第二器件阵列起到偏置的作用，也就是说上图中输出的第一输出信号在输入激活函数之前还要施加一部分偏置才能作为最终的输入，从而将最终的第三输出信号到激活函数。
92.当第三输出信号被激活函数处理后，激活函数输出目标输出信息，可以利用一个存储设备进行目标输出信息的存储，然后这个存储设备把目标输出信息作为新的输入，输入到最开始的第一器件阵列中以开启下一个循环迭代。
93.根据本公开的实施例，经权重阵列的乘加计算所得到的第三输出信号输入多个激活函数，得到目标输出信息。
94.根据本公开的实施例，递归神经网络200还包括：
95.第三器件阵列，其中，第三器件阵列包括多个自旋电子器件100，第三器件阵列中的自旋电子器件100用于存储目标输出信息；
96.其中，在第三器件阵列上施加第三读信号的情况下，第三器件阵列输出目标电信号，将目标电信号确定新的第一读信号，以利用新的第一读信号迭代地输出新的目标输出信息。
97.根据本公开的实施例，目标输出信息作为激活函数的输入，将其输入到激活函数，能够得到新的电流，该电流使得第三器件阵列的阻值改变。相当于把激活函数的结果存储到第三器件阵列。
98.根据本公开的实施例，对存储了激活函数输出值的第三阵列，施加第三读信号，经过一系列外围电路的处理，最后第三器件阵列所存储的内容，以电压的形式输出目标电信号，然后输入到第一器件阵列，也就是新的第一读信号。新的第一读信号，得到新的权重阵列的一列的电流，经过偏置电流(该偏置电流不变，每次循环都不变)的加和，该电流再次作为输入电流输入激活函数210。
99.需要说明的是，上述实例在算法层面上，权重和偏置是不变的，即本公开不会主动地去更新权重和偏置，本公开通过不断的循环得到激活函数的输出，更新激活函数的输出值。然而由于如果权重和偏置一直保持恒定，对于求解问题是不利的。因此需要让权重和偏置以及激活函数的输出具有一定程度的扰动，本公开通过动态波动特性使得权重和偏置参数发生一定的变化，从而达到优化的效果。根据本公开的实施例，在第一器件阵列上施加第一写信号，以对第一器件阵列中存储的初始权重进行初始化处理，得到权重；
100.在第二器件阵列上施加第二写信号，以对第二器件阵列中存储的初始偏置参数进
行初始化处理，得到偏置参数。
101.根据本公开的实施例，在第一器件阵列上施加第一写信号(大电流)，以使得初始权重被重新设置，从而得到初始化后的权重；第二器件阵列施加第二写信号(大电流)，以使得初始偏置参数被重新设置，从而得到初始化后的偏置参数。第三器件阵列不做处理。偏置参数在实际使用中由于动态波动特性会发生一定的变化，但是其并不进行更新。
102.根据本公开的实施例，递归神经网络200用于求解旅行商问题，随着迭代次数的增加，递归神经网络200中第一器件阵列的自旋电子器件100随着迭代时间产生具有动态波动特性的阻值，阻值用于避免递归神经网络200求解旅行商问题时陷入局部最优解。
103.根据本公开的实施例，图4所示为递归神经网络200(hopfield neural network，hnn)求解旅行商问题(traveling salesman problem，tsp)时不同城市之间连接的路径图，图4中每个原点代表一个城市，五角星为出发点或出发城市；图5所示为是递归神经网络200求解tsp问题过程中，权重的部分映射过程，例如当有八个城市，需要确定一个路径，这个路径是需要一个8*8的路径矩阵来确定的。也就是说，一个8*8的矩阵，对应着唯一一个路径，最后的目的就是求这个64个点的状态，或者说就是64个激活函数210输出的结果就是一个矩阵，该矩阵就对应一个路径，也就是旅行商问题的解法，64个激活函数210作为一个递归神经网络进行计算，求解问题就需要得到某个激活函数210以及其他激活函数210的连接权重，因此需要的是64*64个用于存储权重的自旋电子器件100，图5中的直线表征某个激活函数210和其他激活函数210连接的权重。
104.图6所示为递归神经网络200求解旅行商问题的具体的算法流程图。首先是参数的初始化，包括对超参数、权重、距离矩阵以及偏置参数等多个参数的设置；在参数初始化之后，进行矩阵u和矩阵v进行初始化；初始化之后对激活函数210输入u的增量进行计算，计算u的增量，之后更新u的数值。然后把u导入到激活函数210，得到新的输出v，即v也得到了更新。依照得到的v输出计算系统的能量同时判断是否达到截止条件。如果达到截止条件，则输出该次求解的结果，也就是最后一次迭代之后得到激活函数210输出v(即换位矩阵)，同时判断该换位矩阵是否合理，如果合理则认为该换位矩阵对应着一种合理的路径，输出路径并给出该路径的距离；如果结果并不合理，则认为此次结果无效。
105.需要说明的是，图6仅示意性说明了本公开的递归神经网络200用于求解旅行商问题的一个示例流程，并非限制本公开的递归神经网络200只能执行图6的流程图。
106.递归神经网络200作为一种基于能量函数的神经网络，可以用于解决优化问题。在hnn求解tsp问题的过程中，需要把tsp问题的解(即换位矩阵)合理的转换为一个在递归神经网络200中可以表示的能量函数，同时通过不断地对递归神经网络200进行迭代计算，最小化能量函数，能量最低所对应的递归神经网络200的输出值(即换位矩阵，对应着一个路径方案)，也就是tsp问题的解。但是递归神经网络200在迭代的过程中，会出现局部能量最小化的问题，当该hnn网络陷入局部最小的时候，hnn网络无法跳出该局部能量最小值找到全局能量最小值。故而，通过在求解过程中施加动态波动噪声，有助于避免递归神经网络200陷入局部最优解的问题。当器件被用作求解tsp问题的硬件时，在读取权重大小、读取偏置，激活函数210输出值的读取的这三个过程中，由于读电流的热效应的存在，在读取信号的过程中，信号的扰动会出现随时间变化从高到低逐渐衰减的过程，我们称之为含时动态波动噪声。综上，在读取权重，读取偏置，读取激活函数210输出三个过程中施加动态波动噪
声，可以有效的避免递归神经网络200在迭代时出现局部能量最小值的问题，提高递归神经网络200求解tsp问题的达到最优解的成功率。
107.根据本公开的实施例，表1所示为动态波动噪声施加到递归神经网络200中求解tsp问题结果以及该hnn网络的静态波动噪声对tsp的求解结果的对比。由图7可知，动态波动噪声随迭代次数不断下降，并呈现指数下降的规律。通过拟合得到描述波动和迭代次数的指数公式，将该公式施加到图3的三个过程中(读取权重，读取偏置，读取激活函数210输出)，运行求解代码100次，对递归神经网络200求解tsp问题的得到的解，进行汇总。由表1可知，静态波动为0.06时，最优解次数为静态波动中最高，无效次数为60次；与之对比，动态波动噪声施加到递归神经网络200中，最优解次数比静态波动为0.06的结果更多，有71次，但是无效次数仅仅有9次，说明动态波动噪声的施加不但提高了最优解出现的次数，更是大幅度减少了无效解的次数。综上，可知动态波动噪声的加入对递归神经网络200求解组合优化问题的性能有显著的提升。
108.表1
109.扰动类型无效次数有效次数最优解次数动态波动99171静态波动0.03356529静态波动0.06604036静态波动0.099910
110.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

技术特征：
1.一种自旋电子器件，包括：衬底；自旋轨道耦合层，设置在所述衬底的顶面；磁性层，设置在所述自旋轨道耦合层的顶面，其中，在所述自旋轨道耦合层和磁性层的反对称交换作用以及偶极相互作用的共同作用下，能够形成稳定的周期性交替的磁畴结构；势垒层，设置在所述磁性自由层的顶面；至少两个电极，分别设置在所述衬底的顶面的两侧，且所述电极分别与所述自旋轨道耦合层、所述磁性层和所述势垒层连接，所述电极用于施加输入电信号；其中，在所述电极上施加所述输入电信号的情况下，所述输入电信号流入所述自旋电子器件使得所述自旋电子器件产生随所述输入电信号焦耳热，进而使得所述自旋电子器件的阻值具有动态波动特性。2.根据权利要求1所述的自旋电子器件，还包括：保护层，设置在所述势垒层的顶面。3.根据权利要求2所述的自旋电子器件，其中，所述磁性层的材料包括以下至少一种：cofeb、cofe、irmn、co和fe；所述保护层和所述自旋轨道耦合层的材料包括以下至少一种：ta、pt、w、ru和pd；所述势垒层的材料包括以下至少一种：mgo和alo
x
；所述衬底的材料包括以下至少一种：si和sio2。4.根据权利要求1所述的自旋电子器件，其中，所述输入电信号包括第一时刻施加的写电流和第二时刻施加的读电流，所述写电流大于所述读电流；其中，在所述写电流施加在所述自旋电子器件的情况下，所述自旋电子器件的阻态发生变化并产生焦耳热，所述焦耳热使得所述自旋电子器件的阻值发生变化；在所述写电流撤销且施加所述读电流的情况下，所述焦耳热随时间散失使得所述自旋电子器件的阻值再次发生变化，以通过所述读电流读取具有动态波动特性的阻值，其中，所述动态波动特性表征发生变化的自旋电子器件的阻值。5.根据权利要求4所述的自旋电子器件，其中，在所述自旋电子器件上施加所述写电流的情况下，所述写电流通过自旋轨道力矩驱动磁畴结构中磁畴方向的变化，激励所述自旋电子器件的磁畴结构形貌改变，为所述自旋电子器件赋予不同的阻态。6.一种递归神经网络，包括：第一器件阵列，其中，所述第一器件阵列包括多个如权利要求1～5中任一项所述的自旋电子器件，所述自旋电子器件用于存储权重，所述权重是通过第一写信号对初始权重进行初始化得到的；多个激活函数；第二器件阵列，其中，所述第二器件阵列包括多个自旋电子器件，所述第二器件阵列中的自旋电子器件用于存储偏置参数，所述偏置参数是通过第二写信号对初始偏置参数进行初始化得到的；其中，在所述第一器件阵列上施加第一读信号的情况下，所述第一器件阵列输出第一输出信号，在所述第二器件阵列上施加第二读信号的情况下，所述第二器件阵列输出第二
输出信号，将第三输出信号输入多个所述激活函数，得到目标输出信息，所述第三输出信号是根据所述第一输出信号和第二输出信号生成的。7.根据权利要求6所述的递归神经网络，还包括：第三器件阵列，其中，所述第三器件阵列包括多个自旋电子器件，所述第三器件阵列中的自旋电子器件用于存储所述目标输出信息；其中，在所述第三器件阵列上施加第三读信号的情况下，所述第三器件阵列输出目标电信号，将所述目标电信号确定新的第一读信号，以利用所述新的第一读信号迭代地输出新的目标输出信息。8.根据权利要求7所述的递归神经网络，其中，在所述第一器件阵列上施加所述第一写信号，以对所述第一器件阵列中存储的初始权重进行初始化处理，得到所述权重；在所述第二器件阵列上施加所述第二写信号，以对所述第二器件阵列中存储的初始偏置参数进行初始化处理，得到所述偏置参数。9.根据权利要求6所述的递归神经网络，其中，所述递归神经网络用于求解旅行商问题，随着迭代次数的增加，所述递归神经网络中第一器件阵列的自旋电子器件随着迭代时间产生具有动态波动特性的阻值，所述阻值用于避免所述递归神经网络求解旅行商问题时陷入局部最优解。

技术总结
本公开提供了一种自旋电子器件和递归神经网络。该自旋电子器件包括：衬底；自旋轨道耦合层，设置在衬底的顶面；磁性层，设置在自旋轨道耦合层的顶面，其中，在自旋轨道耦合层和磁性层的反对称交换作用以及偶极相互作用的共同作用下，能够形成稳定的周期性交替的磁畴结构；势垒层，设置在磁性自由层的顶面；至少两个电极，分别设置在衬底的顶面的两侧，且电极分别与自旋轨道耦合层、磁性层和势垒层连接，电极用于施加输入电信号；其中，在电极上施加输入电信号的情况下，输入电信号流入自旋电子器件使得自旋电子器件产生随输入电信号焦耳热，进而使得自旋电子器件的阻值具有动态波动特性。性。性。


技术研发人员：邢国忠 赵雪峰 林淮 刘明
受保护的技术使用者：中国科学院微电子研究所
技术研发日：2023.07.11
技术公布日：2023/10/6