CN110895952B - 储备池元件和神经形态元件 - Google Patents

储备池元件和神经形态元件 Download PDF

Info

Publication number
CN110895952B
CN110895952B CN201910858696.4A CN201910858696A CN110895952B CN 110895952 B CN110895952 B CN 110895952B CN 201910858696 A CN201910858696 A CN 201910858696A CN 110895952 B CN110895952 B CN 110895952B
Authority
CN
China
Prior art keywords
ferromagnetic layer
layer
ferromagnetic
reservoir element
reservoir
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910858696.4A
Other languages
English (en)
Other versions
CN110895952A (zh
Inventor
佐佐木智生
柴田龙雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TDK Corp
Original Assignee
TDK Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TDK Corp filed Critical TDK Corp
Publication of CN110895952A publication Critical patent/CN110895952A/zh
Application granted granted Critical
Publication of CN110895952B publication Critical patent/CN110895952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N50/00—Galvanomagnetic devices
    • H10N50/80—Constructional details
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F10/00—Thin magnetic films, e.g. of one-domain structure
    • H01F10/32—Spin-exchange-coupled multilayers, e.g. nanostructured superlattices
    • H01F10/324—Exchange coupling of magnetic film pairs via a very thin non-magnetic spacer, e.g. by exchange with conduction electrons of the spacer
    • H01F10/3254—Exchange coupling of magnetic film pairs via a very thin non-magnetic spacer, e.g. by exchange with conduction electrons of the spacer the spacer being semiconducting or insulating, e.g. for spin tunnel junction [STJ]
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/02—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements
    • G11C11/16—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements using elements in which the storage effect is based on magnetic spin effect
    • G11C11/161—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements using elements in which the storage effect is based on magnetic spin effect details concerning the memory cell structure, e.g. the layers of the ferromagnetic memory cell
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F10/00—Thin magnetic films, e.g. of one-domain structure
    • H01F10/32—Spin-exchange-coupled multilayers, e.g. nanostructured superlattices
    • H01F10/324—Exchange coupling of magnetic film pairs via a very thin non-magnetic spacer, e.g. by exchange with conduction electrons of the spacer
    • H01F10/329—Spin-exchange coupled multilayers wherein the magnetisation of the free layer is switched by a spin-polarised current, e.g. spin torque effect
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N50/00—Galvanomagnetic devices
    • H10N50/80—Constructional details
    • H10N50/85—Magnetic active materials
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N50/00—Galvanomagnetic devices
    • H10N50/01—Manufacture or treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Hall/Mr Elements (AREA)
  • Mram Or Spin Memory Techniques (AREA)

Abstract

本发明的一个方式的储备池元件包括：第1铁磁性层；相对于上述第1铁磁性层位于第1方向，且在从上述第1方向俯视时彼此隔着间隔地配置的多个第2铁磁性层；和位于上述第1铁磁性层与上述多个第2铁磁性层之间的非磁性层。

Description

储备池元件和神经形态元件
技术领域
本发明涉及储备池(reservoir)元件和神经形态(neuromorphic)元件。
背景技术
神经形态元件是通过神经网络模仿人类的大脑的元件。神经形态元件人工地模仿人类的大脑中的神经元(neuron)和突触(synapse)的关系。
层次型元件是神经形态元件的一种。层次型元件具有配置成层次状的芯片(大脑中的神经元)和连接它们之间的传递单元(大脑中的突触)。层次型元件通过学习传递单元(突触)，提高问题的正确答案率。学习是指从信息中发现能够在将来使用的知识，并在神经形态元件中对输入的数据进行加权。层次型元件在各层次中进行学习。
但是，各层次中的学习如果芯片(神经元)的数量増加，则成为电路设计的较大负担，成为神经形态元件的消耗电力增加的原因。储备池计算机作为减轻该负担的一种方法被研究中。
储备池计算机是神经形态元件的一种。储备池计算机包括储备池元件和输出部。储备池元件包括彼此相互作用的多个芯片。多个芯片通过输入的信号彼此相互作用，输出信号。连接多个芯片的传递单元被固定权重而不学习。输出部学习来自储备池元件的信号，并输出到外部。储备池计算机通过在储备池元件中压缩数据，在输出部中对数据进行加权，来提高问题的正确答案率。储备池计算机中的学习仅由输出部进行。储备池计算机作为能够使神经形态元件的电路设计简化和消耗电力提高的方法的一种备受期待。
在非专利文献1中记载有使用自旋力矩振荡(STO)元件作为芯片(神经元)的神经形态元件。
现有技术文献
非专利文献
非专利文献1：Jacob Torrejon et al.,Nature,Vol.547,pp.428-432(2017).
发明内容
发明要解决的课题
但是，将STO元件用于芯片的神经形态元件需要使各个STO元件的共振频率一致。STO元件的共振频率由于制造误差等有时存在偏差，STO元件彼此有时不充分地相互作用。另外，STO元件通过在层叠方向施加高频电流而进行振荡。在具有绝缘层的STO元件的层叠方向长时间施加高频电流成为STO元件的故障的原因。
本发明是鉴于上述情况而开发的，提供一种稳定地工作的储备池元件和神经形态元件。
用于解决课题的方法
本发明为了解决上述问题，提供以下的方法。
(1)第1方式的储备池元件包括：第1铁磁性层；相对于上述第1铁磁性层位于第1方向，且在从上述第1方向俯视时彼此隔着间隔地配置的多个第2铁磁性层；和位于上述第1铁磁性层与上述多个第2铁磁性层之间的非磁性层。
(2)上述方式的储备池元件也可以还包括跟上述第1铁磁性层的与上述非磁性层相反一侧的面电连接的连通配线。
(3)在上述方式的储备池元件中，也可以上述连通配线有多个，多个连通配线各自在从上述第1方向俯视时位于与上述多个第2铁磁性层各自重叠的位置。
(4)上述方式的储备池元件也可以包括磁干涉层，其跟上述第1铁磁性层的与上述非磁性层相反一侧的面接触，且矫顽力比上述第1铁磁性层小。
(5)在上述方式的储备池元件中，也可以上述磁干涉层是包含Fe-Si、Fe-Si-Al、Fe-Co-V、Ni-Fe、Co-Fe-Si-B的任一个的合金。
(6)在上述方式的储备池元件中，也可以还包括将上述多个连通配线中至少两个以上的连通配线连接的共用电极层。
(7)在上述方式的储备池元件中，也可以上述多个第2铁磁性层在从上述第1方向俯视时呈六方格子状排列。
(8)在上述方式的储备池元件中，也可以上述多个第2铁磁性层形成有多个在从上述第1方向俯视时第2铁磁性层密排而成的集合体，在上述集合体中，上述第2铁磁性层呈六方格子状排列。
(9)第2方式的神经形态元件包括：上述方式的储备池元件；与上述储备池元件连接的输入部；和输出部，其与上述储备池元件连接，学习来自上述储备池元件的信号。
发明的效果
本实施方式的储备池元件和神经形态元件能够稳定地工作。
附图说明
图1是第1实施方式的神经形态元件的概念图。
图2是第1实施方式的储备池元件的立体图。
图3是第1实施方式的储备池元件的侧视图。
图4是第1实施方式的储备池元件的俯视图。
图5是第1实施方式的储备池元件的另一例的俯视图。
图6是第1实施方式的储备池元件的另一例的俯视图。
图7是第1实施方式的储备池元件的另一例的俯视图。
图8A是表示第1实施方式的储备池元件的制造方法的截面图。
图8B是表示第1实施方式的储备池元件的制造方法的截面图。
图8C是表示第1实施方式的储备池元件的制造方法的截面图。
图8D是表示第1实施方式的储备池元件的制造方法的截面图。
图9是第2实施方式的储备池元件的立体图。
图10是第3实施方式的储备池元件的侧视图。
图11是第4实施方式的储备池元件的侧视图。
图12是用于说明神经形态元件的动作的一例的示意图。
图13是用于说明神经形态元件的动作的另一例的示意图。
图14是用于说明神经形态元件的另一例的示意图。
图15是用于说明神经形态元件的另一例的示意图。
图16是第5实施方式的储备池元件的俯视图。
附图标记说明
1 第1铁磁性层
2、2A、2B、2C、2D、2E、2F、2G 第2铁磁性层
2’ 铁磁性层
3、3’ 非磁性层
4 连通配线
5 共用电极层
6 磁干涉层
10、10A、10B、10C、11、12、13、14 储备池元件
20 输入部
21、22、23、24 输入端子
30 输出部
31、32 输出端子
40 第2输出部
41、42、43 端子
100 神经形态元件
A 集合体
Cp 芯片
HM 硬掩模(hard mask)
I 层间绝缘膜
Sb 基板
Sp 突触
具体实施方式
以下，适当参照附图对本实施方式进行详细地说明。以下说明中使用的附图为了更容易理解特征，方便起见，有时放大表示成为特征的部分，各构成要素的尺寸比率等有时与实际不同。在以下说明中例示的材料、尺寸等为一例，本发明不限定于此，在实现本发明的效果的范围内可实施适当变更。
「第1实施方式」
图1是第1实施方式的神经形态元件的概念图。神经形态元件100具有：输入部20、储备池元件10和输出部30。输入部20和输出部30，与储备池元件10连接。
神经形态元件100将从输入部20输入的信号在储备池元件10中压缩，对在输出部30中压缩后的信号进行加权(学习)，并将信号输出到外部。
输入部20将从外部输入的信号传递到储备池元件10。输入部20包含例如多个传感器。多个传感器感测神经形态元件100的外部的信息，将信息作为信号输入到储备池元件10。信号可以将外部的信息的变化随时间连续地输入到储备池元件10，也可以以规定的时间域分割并输入到储备池元件10。
储备池元件10具有多个芯片Cp。多个芯片Cp彼此相互作用。输入到储备池元件10的信号含有大量信息。信号含有的大量信息通过多个芯片Cp彼此相互作用，压缩为需要的信息。压缩后的信号传递到输出部30。储备池元件10不进行学习。即，多个芯片Cp仅分别彼此相互作用，不对传递多个芯片Cp之间的信号进行加权。
输出部30从储备池元件10的芯片Cp接收信号。输出部30进行学习。输出部30按来自各芯片Cp的每个信号通过学习进行加权。输出部30包含例如非易失性存储器。非易失性存储器例如为磁阻效应元件。输出部30将信号输出到神经形态元件100的外部。
神经形态元件100通过在储备池元件10中压缩数据，在输出部30中对数据进行加权，来提高问题的正确答案率。
另外，神经形态元件100在消耗电力方面表现优异。仅输出部30在神经形态元件100中进行学习。学习是调整从各芯片Cp传递的信号的权重。信号的权重根据信号的重要度决定。如果随时调整信号的权重，则芯片Cp之间的电路激活(active)。激活的电路越多，神经形态元件100的消耗电力越大。神经形态元件100只要仅最终阶段的输出部30学习即可，在消耗电力方面表现优异。
图2是第1实施方式的储备池元件10的立体图。图3是第1实施方式的储备池元件10的侧视图。图4是第1实施方式的储备池元件10的俯视图。
储备池元件10包括：第1铁磁性层1、多个第2铁磁性层2、非磁性层3和多个连通配线4。多个第2铁磁性层2与图1中的芯片Cp对应。
在此，对方向进行规定。将第1铁磁性层1的扩展的面内中任意的方向设为x方向，将第1铁磁性层1的扩展的面内中与x方向交叉的(例如，大致正交)方向设为y方向，将与第1铁磁性层1的扩展的面交叉的(例如，大致正交)方向设为z方向。z方向为第1方向的一例。
第1铁磁性层1在xy面内连续地扩展。第1铁磁性层1可以为磁化的易磁化轴在z方向上取向的垂直磁化膜，也可以为易磁化轴在xy面内方向上取向的面内磁化膜。
第1铁磁性层1包含铁磁性材料。第1铁磁性层1包含例如选自Cr、Mn、Co、Fe和Ni的金属，包含一种以上这些金属的合金，包含这些金属和B、C、和N的至少一种以上的元素的合金。第1铁磁性层1例如为Co-Fe、Co-Fe-B、Ni-Fe、Co-Ho合金(CoHO2)、Sm-Fe合金(SmFe12)。当第1铁磁性层1包含Co-Ho合金(CoHO2)、Sm-Fe合金(SmFe12)时，第1铁磁性层1容易成为面内磁化膜。
第1铁磁性层1也可以为霍伊斯勒合金。霍伊斯勒合金是具有XYZ或X2YZ的化学组成的金属间化合物，X是周期表上Co、Fe、Ni、或Cu族的过渡金属元素或贵金属元素，Y是Mn、V、Cr或Ti族的过渡金属或X的元素种，Z是从III族～V族的典型元素。霍伊斯勒合金例如为Co2FeSi、Co2FeGe、Co2FeGa、Co2MnSi、Co2Mn1-aFeaAlbSi1-b、Co2FeGe1-cGac。霍伊斯勒合金的自旋极化率高，更强地显现磁阻效应。
第1铁磁性层1优选具有选自Co、Ni、Pt、Pd、Gd、Tb、Mn、Ge、Ga的至少一种元素。例如，可举出Co和Ni的层叠膜、Co和Pt的层叠膜、Co和Pd的层叠膜、MnGa类材料、GdCo类材料、TbCo类材料。MnGa类材料、GdCo类材料、TbCo类材料等的亚铁磁性体的饱和磁化小，为了移动磁畴壁需要的阈值电流变小。
第2铁磁性层2形成于非磁性层3的一面。第2铁磁性层2在z方向上突出，在xy面内相互分开地存在多个。第2铁磁性层2相对于一个第1铁磁性层1存在多个。相邻的第2铁磁性层2例如由层间绝缘膜绝缘。
多个第2铁磁性层2例如从z方向俯视时排列成六方格子状(参照图4)。输入到第2铁磁性层2的信号在第1铁磁性层1内传播。在第2铁磁性层2排列成六方格子状的情况下，从第2铁磁性层2输入的信号容易与从其它第2铁磁性层2输入的信号相互干涉。
多个第2铁磁性层2的排列不局限于图4的情况。图5～图7是第1实施方式的储备池元件的另一例的俯视图。
图5所示的储备池元件10A的多个第2铁磁性层2排列成正方格子状。相邻的第2铁磁性层2之间的距离相等，使输入信号均质化。
图6所示的储备池元件10B的多个第2铁磁性层2密集成六方格子状。因第2铁磁性层2的密集度变高，输入到不同的第2铁磁性层2的信号容易相互干涉。此外，即使在该情况下，第2铁磁性层2彼此也绝缘。
图7所示的储备池元件10C形成多个第2铁磁性层2密集的集合体A。在集合体A中，第2铁磁性层2排列成六方格子状。相邻的第2铁磁性层2彼此绝缘。储备池元件10C中，输入到构成一个集合体A的第2铁磁性层2的信号彼此的相互干涉和输入到构成不同的集合体A的第2铁磁性层2的信号彼此的相互干涉，相互干涉的条件是不同的。在储备池元件10C中，通过调整相互干涉的条件，储备池元件10C强调特定的信号并将其传递到输出部30。
各个第2铁磁性层2的形状例如为圆柱状(参照图1)。第2铁磁性层2的形状不局限于圆柱状。第2铁磁性层2的形状也可以例如为，椭圆柱状、四棱柱、圆锥、椭圆锥、截圆锥、四棱锥台等。
第2铁磁性层2包含铁磁性体。用于第2铁磁性层2的铁磁性体与用于第1铁磁性层1的材料同样。
第2铁磁性层2与第1铁磁性层1相比磁化的方向难以变化，被称为磁化固定层。第2铁磁性层2的磁化例如通过调整用于第1铁磁性层1和第2铁磁性层2的材料、以及与第2铁磁性层2相邻的层结构，相对于第1铁磁性层1的磁化固定。例如，如果将矫顽力比构成第1铁磁性层1的材料大的材料用于第2铁磁性层2时，第2铁磁性层2的磁化相对于第1铁磁性层1的磁化固定。另外，例如，在第2铁磁性层2的与非磁性层3相反侧的面层叠反铁磁性层，当反铁磁性层和第2铁磁性层2反铁磁耦合时，第2铁磁性层2的磁化相对于第1铁磁性层的磁化固定。
非磁性层3位于第1铁磁性层1与第2铁磁性层2之间。非磁性层3例如在xy面内连续地扩展。非磁性层3也可以仅在第1铁磁性层1与第2铁磁性层2之间的位置，在xy面内散布。
非磁性层3由非磁性体构成。
在非磁性层3为绝缘体的情况下(作为隧道势垒层的情况)，非磁性层3例如为Al2O3、SiO2、MgO、MgAl2O4等。另外，非磁性层3也可以为上述材料中的Al、Si、Mg的一部分置换为Zn、Be等的材料等。MgO、MgAl2O4能够在第1铁磁性层1与第2铁磁性层2之间实现相干隧道现象，并能够从第1铁磁性层1向第2铁磁性层2有效地注入自旋。在非磁性层3为金属的情况下，非磁性层3例如为Cu、Au、Ag等。另外，在非磁性层3为半导体的情况下，非磁性层3例如为Si、Ge、CuInSe2、CuGaSe2、Cu(In,Ga)Se2等。
连通配线4与第1铁磁性层1的与非磁性层3相反侧的面电连接。连通配线4可以与第1铁磁性层1直接连接，也可以经由其它层连接。图1和图3所示的连通配线4从第1铁磁性层1在-z方向上突出，在xy面内相互分开地存在多个。
连通配线4包含导电体。连通配线4例如为Cu、Al、Au。相邻的连通配线4被绝缘。
图1和图3所示的连通配线4分别配设于与多个第2铁磁性层2分别对应的位置。即，各个第2铁磁性层2和各个连通配线4从z方向俯视时重叠。
接着，对神经形态元件100中的储备池元件10的制造方法的一例进行说明。图8A～图8D是表示第1实施方式的储备池元件10的制造方法的截面图。
首先，在基板Sb上形成孔(ホール)，并在孔内填充导电体(图8A)。基板Sb例如为半导体基板。基板Sb优选例如Si、AlTiC。Si、AlTiC容易得到平坦性优异的表面。例如，使用反应性离子蚀刻(RIE)形成孔。在孔内充电的导电体成为连通配线4。
接着，通过化学机械研磨(CMP)使基板Sb和连通配线4的表面平坦化。在平坦化后的基板Sb、连通配线4上依次层叠第1铁磁性层1、非磁性层3、铁磁性层2’(图8B)。例如，使用化学气相沉积法(CVD)层叠第1铁磁性层1、非磁性层3和铁磁性层2’。
接着，在铁磁性层2’的表面的规定位置形成硬掩模HM(图8C)。没有被铁磁性层2’的硬掩模HM覆盖的部分通过RIE或离子铣削除去。通过除去不需要的部分，铁磁性层2’成为多个第2铁磁性层2。最后，利用层间绝缘膜I对第2铁磁性层2之间进行保护(图8D)。通过上述流程得到第1实施方式的神经形态元件100。
接着，对神经形态元件100的功能进行说明。图12是用于说明神经形态元件100的动作的一例的示意图。输入部20具有多个输入端子21、22、23、24…。构成输入部20的多个输入端子21、22、23、24…分别与储备池元件10的各个第2铁磁性层2连接。从外部向输入部20输入输入信号。输入信号例如按每个时间域进行分割，作为多个信号S1、S2、S3、S4、S5、S6…分别输入到输入部20的多个输入端子21、22、23、24…。示出了不处理输入信号进行输入的例子，但也可以输入进行了Fast Fourier Transform Analysis(FFT analysis)后的信号。FFT analysis具有提取频率特征的效果。另外，FFT analysis能够过滤由噪声引起的小的振幅的信号。接收到外部的信号的输入端子21、22、23、24…从对应的第2铁磁性层2A、2B、2C、2D…向连通配线4流通写入电流。输入信号例如以时间序列顺序按信号S1、信号S2、信号S3、信号S4的顺序分割。以被输入信号S1的第2铁磁性层2A、被输入信号S2的第2铁磁性层2B、被输入信号S3的第2铁磁性层2C、被输入信号S4的第2铁磁性层2D的顺序流动写入电流。在连通配线4分别配设于与多个第2铁磁性层2分别对应的位置的情况下，写入电流大多在z方向上流动。
写入电流因第2铁磁性层2A、2B、2C、2D而自旋极化，到达第1铁磁性层1。自旋极化后的电流对第1铁磁性层1的磁化给予自旋转移力矩(STT)。写入电流流动的第2铁磁性层2附近的第1铁磁性层1的磁化因STT而磁化反转。磁化反转以水滴扩散波纹的方式根据写入电流的施加时间、施加量向周围传输。因此，在第1铁磁性层1的磁化反转的部分与第1铁磁性层1的磁化没有反转的部分之间形成磁畴壁，因在第1铁磁性层1内传播的磁化反转而形成磁畴壁扩展的结构。其结果，第1铁磁性层1的磁化的方向在写入电流流动的第2铁磁性层2A、2B、2C、2D附近和写入电流没有流动的其它部分不同，在第1铁磁性层1形成多个磁区。
施加了写入电流的第2铁磁性层2A、2B、2C、2D附近的磁区的范围以根据滴下到水面的水滴的大小、快慢，波纹扩散的范围变化的方式，根据写入电流的施加时间、施加量而变化。当写入电流的施加量多时，形成于第2铁磁性层2A、2B、2C、2D附近的磁区的范围扩大。磁畴壁与磁区的扩大相应地，向从第2铁磁性层2A、2B、2C、2D扩展的方向上移动。
当写入电流从多个第2铁磁性层2A、2B、2C、2D向连通配线4流动时，在各个第2铁磁性层2A、2B、2C、2D的附近形成磁区。例如，在从第2铁磁性层2A传输的磁化反转和从第2铁磁性层2B传输的磁化反转相互干涉的情况下，在第2铁磁性层2A与第2铁磁性层2B之间形成反映了该干涉的磁区。因此，形成于第1铁磁性层1的磁区成为反映来自各个第2铁磁性层2A、2B、2C、2D的磁化反转的干涉的磁区。从第2铁磁性层2A传输的磁化反转和从第2铁磁性层2B传输的磁化反转，比从第2铁磁性层2A传输的磁化反转和从第2铁磁性层2C传输的磁化反转更容易相互干涉。这是因为，第2铁磁性层2A与第2铁磁性层2B之间的距离比第2铁磁性层2A与第2铁磁性层2C之间的距离近。即，第2铁磁性层2之间的距离越近，输入的信号S1、S2、S3、S4、S5、S6…彼此越容易干涉。另外，时间序列越近的信号S1、S2、S3、S4、S5、S6…越容易相互干涉。因此，优选时间序列越近的信号S1、S2、S3、S4、S5、S6…越输入到距离近的第2铁磁性层2。例如，优选被输入信号S1的第2铁磁性层2A与被输入信号S2的第2铁磁性层2B的距离，比被输入信号S1的第2铁磁性层2A与被输入信号S3的第2铁磁性层2C的距离近。当停止写入电流施加到储备池元件10时，第1铁磁性层1的磁状态被非易失性地存储。
最后，将信号从储备池元件10输出到输出部30。输出部30具有例如多个输出端子31、32、…。多个输出端子31、32…与任意的第2铁磁性层2连接。图12中，示出了其与连接了输入用的输入端子21、22、23、24…的第2铁磁性层2A、2B、2C、2D不同的第2铁磁性层2E、2F连接的例子。输入和输出能够切换，也可以将输出用的输出端子31，32…与连接了输入用的输入端子21、22、23、24…的第2铁磁性层2A、2B、2C、2D连接。通过从第2铁磁性层2向连通配线4流动读出电流，来输出信号。读出电流与写入电流比较，电流密度低，且不使第1铁磁性层1的磁化反转。
当在储备池元件10流动读出电流时，第2铁磁性层2的磁化与跟第2铁磁性层2重叠的位置的第1铁磁性层1的磁化的相对角之差作为电阻值变化被输出。与第2铁磁性层2重叠的位置的第1铁磁性层1的磁化的方向受到从其它第2铁磁性层的附近扩展的磁区的影响。即，从一个第2铁磁性层2读取的信号包含写入到其它第2铁磁性层2的信息，且信息被压缩。
最后压缩的信号经由多个输出端子31、32、…传递到输出部30。输出部30通过学习对分别从第2铁磁性层2读出的信号进行加权。图13是用于说明神经形态元件100的动作的另一例的示意图。图13是输入信号的分割的方法，输入端子21、22、23、24与输出端子31、32…的连接部位与图12所示的例不同。图13所示的例没有将输入信号与信号S1、S2、S3、S4…重叠，并时间序列地分割。另外，在图13所示的神经形态元件中也是被输入时间序列越分离的信号S1、S2、S3、S4…的第2铁磁性层2A、2B、2C、2D，相互的距离越远离的结构。
另外，图14是用于说明神经形态元件的另一例的示意图。图14所示的神经形态元件具有第2输出部40，这一点与图13所示的例子不同。第2输出部40的各个端子41、42、43，经由突触Sp与输出部30的各个输出端子31、32连接。在从输出部30的各个输出端子31、32向第2输出部40的各个端子41、42、43传输信息时，利用突触Sp对数据附加加权。图14所示的神经形态元件在输出部30与第2输出部40之间进行学习。即，图14所示的神经形态元件是深度神经网络的结构。通过神经形态元件为深度神经网络的结构，能够识别更加复杂的信息。
另外，图15是用于说明神经形态元件的另一例的示意图。图15所示的神经形态元件中，储备池元件10并列排列，与各个储备池元件10连接的输出部30共用，这一点与图14所示的例子不同。通过采用这样的结构，也能够同时识别来自多个传感器的输出和信号速度不同的信号，能够实现多模式(multimodal)的储备池元件。
如上所述，第1实施方式的储备池元件10，在第1铁磁性层1内，来自各个第2铁磁性层2的磁化反转相互干涉，且形成于它们之间的磁区反映了其相互作用。从输入部20输入的信号在第1铁磁性层1内彼此相互作用，在第1铁磁性层1内产生一个磁状态。即，从输入部20输入的信号在第1铁磁性层1内被压缩成一个磁状态。因此，第1实施方式的神经形态元件100利用储备池元件10适当地压缩信号。通过压缩信号，仅输出部30学习即可，神经形态元件100的消耗电力降低。另外，第1铁磁性层1的磁状态只要不施加新的写入电流，就能够非易失性地保持。
通过非易失性地保持信息，储备池元件10不受时间的限制。在将时间序列数据输入到储备池元件10的输入部20，并从输出部30取出来进行信息处理时，需要使输入输出的时间间隔与想要储备池元件10检测的时间间隔一致。储备池元件10的磁化反转和磁畴壁驱动的动作一般在1nsec～1μsec以下的时间完成。但是，人或物的动作一般以1sec程度的时间单位产生，所以储备池元件10的一个端子的动作速度与人或物的动作的速度存在较大的时间差。为了使储备池元件10发挥功能，优选至少在人或物的动作之间留有储备池元件10的一个端子的动作的影响。储备池元件10由于能够非易失性地保持输入信息，所以即使储备池元件10的一个端子的动作速度与人或物的动作的速度存在较大的时间差，也能够维持储备池元件10中的输入信号彼此的干涉。
「第2实施方式」
图9是第2实施方式的储备池元件的截面图。第2实施方式的储备池元件11不具有多个连通配线4，这一点与第1实施方式的储备池元件10不同。其它结构与第1实施方式的储备池元件10相同，省略说明。另外，在图9中，对与图1相同的结构标注相同的符号。
在储备池元件11中，连通配线4为一个。连通配线4与第1铁磁性层1电连接。
如图1所示，在连通配线4配设于分别与多个第2铁磁性层2分别对应的位置的情况下，写入电流大多在z方向流动。与此相对，在连通配线4为一个的情况下，写入电流的一部分在xy面内在第1铁磁性层1内流动。自旋极化的写入电流使作为不同的磁区的边界的磁畴壁移动。即，如果配设于储备池元件11的连通配线4为一个，则磁畴壁在第1铁磁性层1内有效地移动，促进输入到一个第2铁磁性层2的信号和输入到其它第2铁磁性层2的信号的相互作用。
另外，在连通配线4为一个的情况下，第2铁磁性层2与连通配线4的距离在各个第2铁磁性层2不同。流动于第1铁磁性层1的xy面内的写入电流量，根据信号输入到哪个第2铁磁性层2而不同。即，磁畴壁的移动容易度根据信号输入到哪个第2铁磁性层2而不均匀。换而言之，储备池元件11能够优先地输出从输入部20输入的信号中的规定信息，并对需要的信息事先给予加权。
第2实施方式的储备池元件11能够应用于神经形态元件100。另外，第2实施方式的储备池元件11得到与第1实施方式的储备池元件10同样的效果。另外，第2实施方式的储备池元件11具有写入电流的流动容易度的不同的特异点，并对信号赋予优劣。
另外，第2实施方式的储备池元件11能够进行各种变更。例如，连通配线4不需要从第1铁磁性层1的一面形成于下方，也可以作为配线设置于第1铁磁性层1的侧面。
「第3实施方式」
图10是第3实施方式的储备池元件的截面图。第3实施方式的储备池元件12具有共用电极层5，这一点与第1实施方式的储备池元件10不同。其它结构与第1实施方式的储备池元件10相同，省略说明。另外，图10中，对与图1相同的结构标注相同的符号。
共用电极层5连接多个连通配线4中至少两个以上的连通配线4。共用电极层5例如在xy面内连续地扩展。共用电极层5由与连通配线4同样的材料构成。
如果储备池元件12具有共用电极层5，则写入电流的一部分在xy面内在第1铁磁性层1内流动。磁畴壁在第1铁磁性层1内有效地移动，促进输入到一个第2铁磁性层2的信号和输入到其它第2铁磁性层2的信号的相互作用，能够表现更复杂的现象。
第3实施方式的储备池元件11能够应用于神经形态元件100。另外，第3实施方式的储备池元件12得到与第1实施方式的储备池元件10同样的效果。
「第4实施方式」
图11是第4实施方式的储备池元件的截面图。第4实施方式的储备池元件13具有磁干涉层6，这一点与第1实施方式的储备池元件10不同。其它结构与第1实施方式的储备池元件10相同，省略说明。另外，图11中，对与图1相同的结构标注相同的符号。
磁干涉层6与第1铁磁性层1的与非磁性层3相反侧的面相接。磁干涉层6在xy面内连续地扩展。
磁干涉层6的矫顽力比第1铁磁性层1小，且软磁特性优异。即，磁干涉层6的磁化比第1铁磁性层1的磁化容易反转。磁干涉层6为包含例如Fe-Si、Fe-Si-Al、Fe-Co-V、Ni-Fe、Co-Fe-Si-B的任一种的合金。
当在储备池元件13流动写入电流时，与第1铁磁性层1同样，在磁干涉层6内形成不同的磁区，并产生磁畴壁。磁干涉层6的磁畴壁比第1铁磁性层1的磁畴壁容易移动。磁干涉层6负责长距离的磁相关。
如果储备池元件13具有磁干涉层6，则第1铁磁性层1的材料选择的自由度提高。
磁阻变化随夹着非磁性层3的两个磁性体(第1铁磁性层1和第2铁磁性层2)的磁状态的变化而产生。第1铁磁性层1优选包含容易在与第2铁磁性层2之间获得相干隧道效应的材料(例如MgO、MgAl2O4)。
另一方面，容易获得相干隧道效应的材料未必是磁畴壁容易移动的材料。储备池元件12的第1铁磁性层1负责磁阻变化，磁干涉层6负责长距离的磁相关。即，第1铁磁性层1不需要使磁畴壁容易移动的材料，第1铁磁性层1的材料选择的自由度提高。
第4实施方式的储备池元件13能够应用于神经形态元件100。另外，第4实施方式的储备池元件13得到与第1实施方式的储备池元件10同样的效果。另外，第4实施方式的储备池元件13通过在第1铁磁性层1和磁干涉层6分担功能，促进输入到一个第2铁磁性层2的信号和输入到其它第2铁磁性层2的信号的相互作用，能够表现更复杂的现象。
图16是第5实施方式的储备池元件的俯视图。第5实施方式的储备池元件14的第1铁磁性层和非磁性层3’为圆环状，多个第2铁磁性层2沿着圆环状的第1铁磁性层散布，这一点与第1实施方式的储备池元件10不同。其它结构与第1实施方式的储备池元件10相同，省略说明。另外，图16中，对与图1相同的结构标注相同的符号。
输入信号例如按每个时间域分割，作为多个信号S1、S2、S3、S4…输入到储备池元件14。例如，信号S1输入到第2铁磁性层2A，信号S2输入到第2铁磁性层2B，信号S3输入到第2铁磁性层2C。信号S1、S2、S3、S4…使第1铁磁性层的一部分的磁化反转。从各个第2铁磁性层2A、2B、2C扩展的磁化反转沿着周向传播，相互干涉。
第1铁磁性层的磁化状态例如从第2铁磁性层2E、2F、2G输出。如果使被输入信号的第2铁磁性层2A、2B、2C和输出信号的第2铁磁性层2E、2F、2G为不同的端子，则写入电流的一部分沿着第1铁磁性层在周向上流动。在周向流动的自旋极化电流使磁畴壁移动，促进从各个第2铁磁性层2A、2B、2C扩展的磁化反转的干涉。
另外，也可以依次改变对第2铁磁性层的信号的输入位置和从第2铁磁性层的信号的输出位置。
以上，对本发明优选的实施方式的一例进行了详细描述，但本发明不限定于该实施方式，在权利要求的范围内记载的本发明的要旨的范围内可以进行各种变形、变更。
例如，也可以组合第1实施方式的储备池元件10～第5实施方式的储备池元件14具有的特征的结构。

Claims (9)

1.一种储备池元件，其特征在于，包括：
在与第1方向正交的面内连续地扩展的第1铁磁性层；
相对于所述第1铁磁性层位于所述第1方向，且在从所述第1方向俯视时彼此隔着间隔地配置，并且与所述第1铁磁性层相对地配置有多个的多个第2铁磁性层；和
位于所述第1铁磁性层与所述多个第2铁磁性层之间的非磁性层。
2.如权利要求1所述的储备池元件，其特征在于：
还包括跟所述第1铁磁性层的与所述非磁性层相反一侧的面电连接的连通配线。
3.如权利要求2所述的储备池元件，其特征在于：
所述连通配线有多个，
多个连通配线各自在从所述第1方向俯视时位于与所述多个第2铁磁性层各自重叠的位置。
4.如权利要求1～3中任一项所述的储备池元件，其特征在于：
包括磁干涉层，其跟所述第1铁磁性层的与所述非磁性层相反一侧的面接触，且矫顽力比所述第1铁磁性层小。
5.如权利要求4所述的储备池元件，其特征在于：
所述磁干涉层是包含Fe-Si、Fe-Si-Al、Fe-Co-V、Ni-Fe、Co-Fe-Si-B的任一个的合金。
6.如权利要求3所述的储备池元件，其特征在于：
还包括将所述多个连通配线中至少两个以上的连通配线连接的共用电极层。
7.如权利要求1～6中任一项所述的储备池元件，其特征在于：
所述多个第2铁磁性层在从所述第1方向俯视时呈六方格子状排列。
8.如权利要求1～6中任一项所述的储备池元件，其特征在于：
所述多个第2铁磁性层形成有多个在从所述第1方向俯视时第2铁磁性层密排而成的集合体，
在所述集合体中，所述第2铁磁性层呈六方格子状排列。
9.一种神经形态元件，其包括：
权利要求1～8中任一项所述的储备池元件；
与所述储备池元件连接的输入部；和
输出部，其与所述储备池元件连接，学习来自所述储备池元件的信号。
CN201910858696.4A 2018-09-12 2019-09-11 储备池元件和神经形态元件 Active CN110895952B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPPCT/JP2018/033798 2018-09-12
PCT/JP2018/033798 WO2020053987A1 (ja) 2018-09-12 2018-09-12 リザボア素子及びニューロモルフィック素子

Publications (2)

Publication Number Publication Date
CN110895952A CN110895952A (zh) 2020-03-20
CN110895952B true CN110895952B (zh) 2023-07-18

Family

ID=68581132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910858696.4A Active CN110895952B (zh) 2018-09-12 2019-09-11 储备池元件和神经形态元件

Country Status (5)

Country Link
US (1) US11588099B2 (zh)
EP (1) EP3640960B1 (zh)
JP (1) JP6620913B1 (zh)
CN (1) CN110895952B (zh)
WO (1) WO2020053987A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6803575B2 (ja) * 2016-06-24 2020-12-23 国立研究開発法人物質・材料研究機構 Ｉ−ｉｉｉ−ｖｉ２化合物半導体を用いた磁気抵抗素子及びその製造方法、これを用いた磁気記憶装置並びにスピントランジスタ
CN113228208B (zh) 2018-10-30 2023-06-02 田中贵金属工业株式会社 面内磁化膜、面内磁化膜多层结构、硬偏置层、磁阻效应元件和溅射靶
US20230140456A1 (en) * 2020-03-26 2023-05-04 Tdk Corporation Parameter setting method and control method for reservoir element
WO2022269864A1 (ja) * 2021-06-24 2022-12-29 Tdk株式会社 情報処理装置
EP4160484A1 (en) * 2021-10-01 2023-04-05 Centre national de la recherche scientifique « in materio computing » classification device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001267522A (ja) * 2000-03-23 2001-09-28 Sharp Corp 磁気メモリ素子及び磁気メモリ
CN1851807A (zh) * 2005-04-22 2006-10-25 台湾积体电路制造股份有限公司 磁阻结构
CN102194848A (zh) * 2010-03-19 2011-09-21 株式会社东芝 自旋存储器和自旋晶体管

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164692A (ja) * 2002-11-08 2004-06-10 Toshiba Corp 磁気記録媒体及びその製造方法
CN1755929B (zh) * 2004-09-28 2010-08-18 飞思卡尔半导体（中国）有限公司 形成半导体封装及其结构的方法
US8194364B2 (en) * 2009-08-31 2012-06-05 Tdk Corporation Magnetoresistive effect element in CPP-type structure including ferromagnetic layer configured with CoFe system alloy and magnetic disk device therewith
JP5514059B2 (ja) * 2010-09-17 2014-06-04 株式会社東芝 磁気抵抗効果素子及び磁気ランダムアクセスメモリ
EP2503556B1 (en) * 2011-03-25 2016-10-12 Technische Universität Dresden Memristive system
JP2012209358A (ja) * 2011-03-29 2012-10-25 Renesas Electronics Corp 磁気記憶素子および磁気記憶装置
US9165246B2 (en) * 2013-01-29 2015-10-20 Hewlett-Packard Development Company, L.P. Neuristor-based reservoir computing devices
WO2014207818A1 (ja) * 2013-06-25 2014-12-31 株式会社日立製作所 スピン波回路
US10395168B2 (en) * 2015-10-26 2019-08-27 International Business Machines Corporation Tunable optical neuromorphic network
US20170330070A1 (en) * 2016-02-28 2017-11-16 Purdue Research Foundation Spin orbit torque based electronic neuron
JP6801711B2 (ja) 2016-06-10 2020-12-16 Tdk株式会社 交換バイアス利用型磁化反転素子、交換バイアス利用型磁気抵抗効果素子、交換バイアス利用型磁気メモリ、不揮発性ロジック回路および磁気ニューロン素子
JP6724646B2 (ja) * 2016-08-10 2020-07-15 Tdk株式会社 磁気抵抗効果素子、熱履歴センサおよびスピングラス利用型磁気メモリ
FR3084505B1 (fr) * 2018-07-26 2021-09-10 Thales Sa Reseau de neurones comportant des resonateurs spintroniques
FR3084503B1 (fr) * 2018-07-26 2020-10-16 Thales Sa Chaîne synaptique comprenant des resonateurs spintroniques bases sur l'effet de diode de spin et reseau de neurones comprenant une telle chaîne synaptique

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001267522A (ja) * 2000-03-23 2001-09-28 Sharp Corp 磁気メモリ素子及び磁気メモリ
CN1851807A (zh) * 2005-04-22 2006-10-25 台湾积体电路制造股份有限公司 磁阻结构
CN102194848A (zh) * 2010-03-19 2011-09-21 株式会社东芝 自旋存储器和自旋晶体管

Also Published As

Publication number Publication date
JPWO2020053987A1 (ja) 2020-10-22
CN110895952A (zh) 2020-03-20
JP6620913B1 (ja) 2019-12-18
US20200083434A1 (en) 2020-03-12
EP3640960A1 (en) 2020-04-22
US11588099B2 (en) 2023-02-21
WO2020053987A1 (ja) 2020-03-19
EP3640960B1 (en) 2023-07-05

Similar Documents

Publication Publication Date Title
CN110895952B (zh) 储备池元件和神经形态元件
US10916480B2 (en) Magnetic wall utilization type analog memory device, magnetic wall utilization type analog memory, nonvolatile logic circuit, and magnetic neuro device
JP6620915B1 (ja) リザボア素子及びニューロモルフィック素子
JP6778866B2 (ja) 磁気抵抗効果素子、磁気メモリ装置、製造方法、動作方法、及び集積回路
TW544679B (en) MRAM memory
CN100507591C (zh) 用于磁电子器件的合成反铁磁结构
JPWO2017213261A1 (ja) 交換バイアス利用型磁化反転素子、交換バイアス利用型磁気抵抗効果素子、交換バイアス利用型磁気メモリ、不揮発性ロジック回路および磁気ニューロン素子
US11127785B2 (en) Cross-point magnetic random access memory with piezoelectric selector
CN108738371B (zh) 磁化反转元件、磁阻效应元件和存储设备
KR20060071955A (ko) 전압제어 자화반전 기록방식의 ｍｒａｍ 소자 및 이를이용한 정보의 기록 및 판독 방법
US20230065198A1 (en) Differentially programmable magnetic tunnel junction device and system including same
WO2017105396A1 (en) Magnetoelectric oscillatory cellular neural network apparatus and method
JP2010098259A (ja) メモリセル、ならびに、磁気メモリ素子
JP2012028489A (ja) 磁気記憶装置
CN114730588A (zh) 隧穿变磁阻存储器设备及其操作方法
CN110895953B (zh) 储备池元件和神经形态元件
Tiercelin et al. Strain mediated magnetoelectric memory
JP6973679B2 (ja) 磁性素子、磁気メモリ、リザボア素子、認識機及び磁性素子の製造方法
JP6866917B2 (ja) リザボア素子の動作方法
US11871678B2 (en) Magnetic memory device and operation method thereof
JP6897888B2 (ja) リザボア素子及びニューロモルフィック素子
Lenssen et al. Expectations of MRAM in comparison with other non-volatile memory technologies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant