Antiferromagnetic Neuromorphic Computing

Abstract

Nevromorf prosessering er et felt innen datavitenskap som har som mål å designe prosseseringsenheter med inspirasjon fra hjernedynamikk. Når en lager slike prosessorer med tradisjonell halvleder teknologi møter en store begrensinger innen strømforbruk og areal. Derfor er feltet en ideel arena for spintronikk, der logiske kretser bruker spinnet til elektronet fremfor ladningen. I denne masteroppgaven var målet å utforske hvordan antiferromagnetisk spintronikk kan inkorporeres i nevromorfe systemer. Det finnes allerede teoretiske verker som implementerer slike komponenter i det ferromagnetiske tilfellet. Den antiferromagnetiske varianten er derimot mindre utviklet. Utledningen av Landau-Lifshitz-Gilbert likningen(LLG) er presentert før den blir tatt i bruk i to forskjellige systemer for antiferromagnetisk nevromorfe komponenter. Dersom en skal lage en nevromorf struktur ved hjelp av antiferromagneter er det noen viktige grunnprinsipper som trenger å være tilstede. Strukturen må inkorporere temporal avhengighet av inkommende signaler, den synaptiske plastisiteten må være justerbar, og det kunstige nevronet er nødt til å holde en lekkende integrerende effekt. Alle disse er funnet numerisk i strukturene som er undersøkt her. Synaptisk plastisitet er først modifisert ved hjelp av anisotropiske effekter, før muligheten til å justere kunstig plastisitet ved magnetiske felt og spin-dreiemoment er testet. Justering av synaptisk plastisitet virker å være mulig med disse teknikkene. Disse effektene er undersøkt i biaksiale antiferromagneter med DzyalishinskiiMoriya interaksjon(DMI), hvor interaksjonsvektoren er langs den harde aksen. Det ble funnet at DMI påvirker signalpropagering i stor grad når interaksjonsvektoren ligger langs den harde aksen. Dette vil enten senke eller heve terskelen for signal propagasjon når en induserer et spin dreiemoment i materialet. Antiferromagnetiske nanoinnsnevringer ble funnet som mulige grunn komponenter i lav energi nevromorf prosessering. De innehar de underliggende prinsippene som trengs, og signal propagasjon er justerbar ved flere metoder. Disse komponentene kan være mulige kandidater for å realisere spintronisk nevromorf prosessering eksperimentelt.

Neuromorphic computing is a field within computer science that uses brain-inspired components for computation and storage. When making these structures, one faces severe power and area limitations when using conventional computer technology. Therefore the field makes for an ideal arena for spintronics, spin-governed electronics with very low power usage. This thesis investigates how antiferromagnetic spintronics can be utilized in neuromorphic systems. Currently, theoretical works implement such structures for ferromagnets, but the antiferromagnetic equivalent is less developed. A numerical and theoretical basis for such components is derived based on recent progress in the ferromagnetic counterpart. The derivation of the Landau-Lifshitz-Gilbert equation(LLG) is presented and used to calculate magnetization dynamics in antiferromagnetic systems numerically. The structure incorporates temporal dependence of incoming signals, the synaptic region is tunable, and the neuronal structure holds the leaky integrate and fire property, all vital properties for building blocks in neuromorphic systems. All of these are found to be present in the numerical simulations of this thesis. Synaptic plasticity is first modified with anisotropic effects before the possibility of tuning plasticity with magnetic fields, and STT is tested numerically. Magnetic field and anisotropic tuning seems most prudent after numerical tests. It is also found that in biaxial antiferromagnets with homogeneous DzyaloshinskiiMoriya interaction(DMI), when the interaction vector is along the hard-axis anisotropy, DMI severely alters the critical current where spiking occurs. Depending on the relative direction of polarization in the spin injector with the interaction vector, it either eases or staggers the critical current. Antiferromagnetic nanoconstrictions proved to be possible building blocks for low-power neuromorphic computing. They show the underlying fundamental principles, and the spiking signals are tunable with multiple methods. It shows that these structures are possible for realizing neuromorphic computing experimentally.