CN113161478A - 基于人工智能的自旋电子声音识别器件及制备方法与应用 - Google Patents
基于人工智能的自旋电子声音识别器件及制备方法与应用 Download PDFInfo
- Publication number
- CN113161478A CN113161478A CN202110251717.3A CN202110251717A CN113161478A CN 113161478 A CN113161478 A CN 113161478A CN 202110251717 A CN202110251717 A CN 202110251717A CN 113161478 A CN113161478 A CN 113161478A
- Authority
- CN
- China
- Prior art keywords
- layer
- artificial intelligence
- recognition device
- dimensional
- ferromagnetic material
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000002360 preparation method Methods 0.000 title abstract description 8
- 230000005291 magnetic effect Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000000151 deposition Methods 0.000 claims description 30
- 239000000758 substrate Substances 0.000 claims description 19
- 229910052751 metal Inorganic materials 0.000 claims description 18
- 239000002184 metal Substances 0.000 claims description 18
- 230000005294 ferromagnetic effect Effects 0.000 claims description 15
- 239000003302 ferromagnetic material Substances 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 229910045601 alloy Inorganic materials 0.000 claims description 7
- 239000000956 alloy Substances 0.000 claims description 7
- 229910001117 Tb alloy Inorganic materials 0.000 claims description 5
- 238000005240 physical vapour deposition Methods 0.000 claims description 5
- 238000005229 chemical vapour deposition Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 229910020630 Co Ni Inorganic materials 0.000 claims description 3
- 229910019236 CoFeB Inorganic materials 0.000 claims description 3
- 229910002440 Co–Ni Inorganic materials 0.000 claims description 3
- 229910001218 Gallium arsenide Inorganic materials 0.000 claims description 3
- 229910016021 MoTe2 Inorganic materials 0.000 claims description 3
- 229910004202 TaTe2 Inorganic materials 0.000 claims description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 3
- 229910052681 coesite Inorganic materials 0.000 claims description 3
- 229910052593 corundum Inorganic materials 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 3
- 229910052906 cristobalite Inorganic materials 0.000 claims description 3
- 239000010445 mica Substances 0.000 claims description 3
- 229910052618 mica group Inorganic materials 0.000 claims description 3
- 238000001451 molecular beam epitaxy Methods 0.000 claims description 3
- 229910000889 permalloy Inorganic materials 0.000 claims description 3
- 229910052594 sapphire Inorganic materials 0.000 claims description 3
- 239000010980 sapphire Substances 0.000 claims description 3
- 239000000377 silicon dioxide Substances 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 229910052682 stishovite Inorganic materials 0.000 claims description 3
- 229910052905 tridymite Inorganic materials 0.000 claims description 3
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000003647 oxidation Effects 0.000 claims description 2
- 238000007254 oxidation reaction Methods 0.000 claims description 2
- 230000033764 rhythmic process Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 52
- 230000008021 deposition Effects 0.000 description 28
- 239000010408 film Substances 0.000 description 12
- 238000011161 development Methods 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004544 sputter deposition Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000005415 magnetization Effects 0.000 description 3
- 238000001755 magnetron sputter deposition Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 238000004506 ultrasonic cleaning Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004549 pulsed laser deposition Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004857 zone melting Methods 0.000 description 1
Images
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
- H10N50/10—Magnetoresistive devices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Hall/Mr Elements (AREA)
Abstract
本发明公开了一种基于人工智能的自旋电子声音识别器件及制备方法与应用。本发明利用自旋电子器件模拟人工神经网络器件，比基于CMOS的人工神经网络器件相比，具有非挥发、低功耗、高速和高集成度的优点。而同时，与磁性隧道结所做自旋器件相比，本发明器件主要利用自旋轨道转矩原理，在器件外侧，无需额外增加磁场进行驱动。此外，本发明器件可以表现出四种不同阻态,且无需设置中间态。通过转换后的激励微波电压调制，可以实现四个电阻间的转换，在单个器件即可实现两个比特的存储功能。
Description
技术领域
本发明具体是一种基于人工智能的新型自旋电子声音识别器件及制备方法与应用，属于自旋电子学、半导体器件、人工智能领域。
背景技术
当今时代，人工智能(Artificial Intelligence,AI)发展进入新阶段。经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，受脑科学研究成果启发的类脑智能蓄势待发，芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。
人工智能对于国际竞争、社会建设、经济发展都将起到重要作用。作为人工智能技术的核心，人工智能芯片成为当前关注的重点。当前，尽管基于CMOS技术的人工智能芯片有不少发展，但单元大、能耗高及能效低等一系列问题始终无法忽视。因此，利用硬件模拟人脑的神经元和突触，搭建脑启发人工智能硬件平台的神经形态芯片具有巨大的应用潜力，成为科研热点，并在未来，有望成为未来真正的人工智能芯片发展的主流方向。
基于CMOS技术构建的神经形态芯片表现出了强大的智能计算性能，但是由于需要大量的晶体管来模拟单个神经元或突触特性，这极大的限制了硬件神经网络的集成度(人脑内有800多亿个神经元)，同时也带来严重的能耗问题。
近年来研究表明，利用自旋电子器件中的磁矩进动产生的丰富物理现象，可以实现类突触和神经元特性，因此在神经形态计算领域具有广泛的应用前景。自旋电子器件具有能耗低、速度快、集成密度高及丰富的非线性特性等优点，越来越被认定将在下一代电子器件的发展中扮演重要角色。被认为是适于发展脑启发人工智能硬件平台的极有潜力的技术方案。
2016年日本东北大学H.Ohno课题组研发了一个人工神经网络，该神经网络使用了他们最近研发的含有微尺度磁性材料的自旋电子器件。他们所使用的自旋电子装置能够以与常规磁性装置不同的模拟方式存储0和1之间的任意值，从而执行由大脑中的突触提供的学习功能。这项研究将创造人工智能技术的新规范，有严苛的尺寸标准，但同时有快速处理能力和超低功耗。这些特征让人工智能可以广泛应用于社会，例如图像/语音识别、可穿戴终端、传感器网络和护理机器人。2017年，他们又报道了自旋电子器件模拟人工突触的功能，并开发了一个由现场可编程门阵列和36个自旋电子器件单元组成的阵列，成功确认了学习对联想记忆的影响，给出了实现基于自旋电子学的人工智能的实际器件，被国内外大量媒体称为“世界上第一款基于自旋电子学的人工智能演示”。
发明内容
本发明的目的是提供一种基于人工智能的自旋电子声音识别器件及其制备方法与应用。
本发明提供的一种基于人工智能的自旋电子声音识别器件，从下至上由衬底、二维外尔半金属层、铁磁材料层、势垒层、铁磁材料层组成；
其中，所示衬底的基体材料选自GaAs、云母片、蓝宝石、SiO2片、Si片中的一种；所述二维半金属层选自WTe2、MoTe2、PtTe2、TaTe2中的一种；所述铁磁材料层选自Co-Tb合金、CoFeB合金、Co-Ni合金以及坡莫合金中的一种；势垒层为MgO与Al2O3中的一种。
优选地，所述二维半金属层的厚度为5-10nm，铁磁层为2-7nm，势垒层为1-2nm。
本发明还提供了上述基于人工智能的自旋电子声音识别器件的制备方法，该方法为从衬底向上逐层通过物理气相沉积法、化学气相沉积法、分子束外延法或脉冲激光沉积法制作二维外尔半金属层、铁磁材料层、势垒层、铁磁材料层；最后覆盖一层非铁磁性材料用以防氧化。
本发明还提供了上述基于人工智能的自旋电子声音识别器件的声音识别方法，其步骤为：
首先将收集到的声音通过处理，音频波形的每个点都转换为快速节奏的二进制序列，该序列被设计为生成振幅变化的链式反应；在振荡器中，通过得到数字波形，而后通过振荡器产生相对应波形的电压输入所述自旋电子声音识别器件；
通过向二维外尔半金属层输入一个略低于阈值的Iin，而后将处理后的信号激励输入振荡器中，由此产生一个微波电压Vin，通过这一微波电压Vin与恒定电流Iin，利用二维外尔半金属的自旋轨道耦合效应实现电流与自旋极化电流的转换，通过自旋轨道转矩效应实现铁磁性层磁矩的翻转，实现多电阻状态，从而识别声音。
本发明的自旋电子声音识别器件通过声波与一个略低于阈值的电流传输流入下层二维外尔半金属薄膜层，利用二维外尔半金属能够引发力矩以驱动自由层的磁化翻转，在略低于阈值的电流下，通过声波推动磁化翻转，而不同声波频率对于磁化翻转程度不同，从而表现出不同阻态，通过读取不同阻态，进而实现不同频率的声音识别。本发明具备低功耗、高效率、高可靠性、具有非易失特性且与无需将声信号转化为电信号等诸多优点。
本发明的有益效果：本发明利用自旋电子器件模拟人工神经网络器件，比基于CMOS的人工神经网络器件相比，具有非挥发、低功耗、高速和高集成度的优点。而同时，与磁性隧道结所做自旋器件相比，本发明器件主要利用自旋轨道转矩原理，在器件外侧，无需额外增加磁场进行驱动。此外，本发明器件可以表现出四种不同阻态,且无需设置中间态。通过转换后的激励微波电压调制，可以实现四个电阻间的转换，在单个器件即可实现两个比特的存储功能。
附图说明
图1为本发明提供的一种基于人工智能的新型自旋电子声音识别器件原理图。
图2为本发明器件的结构模型图；图中，1——二维外尔半金属层；2——铁磁层；3——势垒层；4——铁磁层；5——重金属层。
图3为收集到的声音的前端预处理过程图。
图4为本发明器件实验模拟图。
图5为本发明器件铁磁层磁畴壁翻转示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
实施例
本发明的基于人工智能的自旋电子声音识别器件，如图1-2所示，从下至上由衬底、二维外尔半金属层、铁磁材料层、势垒层、铁磁材料层组成。
使用过程中，首先将收集到的声音通过处理，音频波形的每个点都转换为快速节奏的二进制序列，该序列被设计为生成振幅变化的链式反应，如图3所示。在这种基于自旋轨道转矩的纳米振荡器中，通过得到数字波形，而后通过振荡器产生相对应波形的电压输入自旋电子声音识别器件。
如图4-5，通过向下层二维外尔半金属层输入一个略低于阈值的Iin，而后将处理后的信号激励输入振荡器中，由此产生一个微波电压Vin。而通过这一微波电压Vin与恒定电流Iin，利用二维外尔半金属的自旋轨道耦合效应实现电流与自旋极化电流的转换，通过自旋轨道转矩效应实现铁磁性层磁矩的翻转，而由于Vin振荡频率不同，所产生的自旋极化电流不同，通过观察，我们可以观测到，对于不同频率的信号，可以驱动磁畴壁所处在不同位置，实现多电阻状态。
此器件上述的衬底基体材料可选用GaAs、云母片、蓝宝石、SiO2片、Si片；上述的二维半金属层可选用WTe2、MoTe2、PtTe2、TaTe2中的一种；铁磁层可选择Co-Tb合金、CoFeB合金、Co-Ni合金以及坡莫合金中的一种；势垒层为MgO与Al2O3中的一种。
上述二维半金属层的厚度在5-10nm，铁磁层在2-7nm，势垒层为1-2nm。
此器件可为物理气相沉积(PVD)、化学气相沉积(CVD)、分子束外延(MBE)、脉冲激光沉积(PLD)。
其制备方法，包括如下步骤：
本发明使用物理气相沉积法，使用磁控溅射镀膜仪进行制作。所述使用的衬底基片为区熔本征单晶Si，晶格取向为<100>，二维外尔半金属层选用WTe2，铁磁层选用Co-Tb合金，Co与Tb比例为0.75:0.25，溅射方式为共溅射，势垒层选用MgO。
首先将原购置硅片切成1cm*1cm大小，由于衬底表面在制备生产过程中要与外界环境接触，不可避免会带有一层杂质。而薄膜对基片的要求非常高，极小的污物都会影响薄膜的生长和性能，所以要求衬底具有很高的清洁度和平整度，想要得到质量良好的薄膜，必须对衬底进行预处理清洗，以去除其表面杂质。
(1)清洗衬底基片的具体处理过程如下：
1.将基片放入装有无水乙醇溶液的培养皿中用棉签轻轻擦拭衬底表面；
2.后放入去离子水中进行超声清洗5分钟；
3.放入丙酮超声清洗5分钟；
4.放入无水乙醇超声清洗5分钟；
5.用氮气枪吹干其表面，随后放入烘箱设置80℃烘干2分钟。
(2)使用磁控溅射镀膜仪制作底部二维外尔半金属层薄膜。
1.进样。将清洗好的衬底基片完整的贴在样品托中，而后将样品腔中的气压抽至与沉积腔的相匹配后(两侧气压相差在两个数量级内)，打开相隔挡板，将样品台送入沉积腔中，将样品台固定在溅射区中。根据实际沉积比对，沉积靶的倾斜角度调至5°，将样品台高度调为14mm时的沉积效果最好。
2.通过磁控溅射镀膜机生长WTe2。为了使得薄膜生长更加均匀，首先打开旋转，使得样品台进行旋转,待真空度为1*10-7torr后，通入Ar气。调整Ar流量，使得腔内气压维持在20torr,打开WTe2靶位直流电源，将电源功率设置为30W，让WTe2启辉，待WTe2启辉稳定后，将功率调整至60W，气压为2torr,并进行5min预沉积，目的是将靶材表层的杂质除去。在预沉积5min后，进行正式沉积。本发明使用的WTe2的厚度为7nm，沉积功率为60W，气压为2torr，沉积温度为常温。溅射时间根据需要的薄膜厚度/沉积速率得出为113s。
(3)制作铁磁层。
在WTe2外尔半金属层薄膜生长完成后，关闭WTe2靶位，调整Ar流量至20torr,打开Co与Tb靶位，将电源功率均设置为30W，让Co与Tb靶启辉，待Co与Tb靶启辉稳定后，将Co功率调整为50W，根据Co与Tb的比例，通过各自生长速率，确定Tb的生长功率为32W，气压为3torr,并进行5min预沉积。在预沉积5min后，进行正式沉积。本发明使用的Co-Tb铁磁层厚度为5nm，Co的沉积功率为50W，Tb沉积功率为32W，沉积气压为3torr，沉积温度为常温。沉积时间根据需要的薄膜厚度/沉积速率得出为90s。
(4)制作势垒层。
在Co-Tb合金薄膜生长完成后，关闭Co与Tb靶位，调整Ar流量至30torr,打开MgO靶位射频电源，将电源功率设置为60W，让MgO启辉，待MgO启辉稳定后，将功率调整至120W，气压为2torr,并进行5min预沉积。在预沉积5min后，进行正式沉积。本发明使用的MgO的厚度为1nm，沉积功率为120W，气压为2torr，沉积温度为常温。沉积时间根据需要的薄膜厚度/沉积速率得出为90s。
(5)制作铁磁层。
方法同步骤3。
(6)制作重金属层。
考虑到顶电极的材料选用为金属单质、氧化物或铁磁性合金等极易氧化的物质，我们需在顶电极上快速覆盖一层非铁磁性材料Ta防止其氧化。方法与其它层制作方法相同，Ta的厚度为2nm，沉积功率为30W，气压为3torr，沉积温度为常温。沉积时间根据需要的薄膜厚度/沉积速率得出为138s。
Claims (4)
1.一种基于人工智能的自旋电子声音识别器件，其特征在于：所述识别器件从下至上由衬底、二维外尔半金属层、铁磁材料层、势垒层、铁磁材料层组成；
其中，所示衬底的基体材料选自GaAs、云母片、蓝宝石、SiO2片、Si片中的一种；所述二维半金属层选自WTe2、MoTe2、PtTe2、TaTe2中的一种；所述铁磁材料层选自Co-Tb合金、CoFeB合金、Co-Ni合金以及坡莫合金中的一种；势垒层为MgO与Al2O3中的一种。
2.根据权利要求1所述的基于人工智能的自旋电子声音识别器件，其特征在于：所述二维半金属层的厚度为5-10nm，铁磁层为2-7nm，势垒层为1-2nm。
3.权利要求1所述基于人工智能的自旋电子声音识别器件的制备方法，其步骤为：从衬底向上逐层通过物理气相沉积法、化学气相沉积法、分子束外延法或脉冲激光沉积法制作二维外尔半金属层、铁磁材料层、势垒层、铁磁材料层；最后覆盖一层非铁磁性材料用以防氧化。
4.权利要求1所述基于人工智能的自旋电子声音识别器件的声音识别方法，其步骤为：
首先将收集到的声音通过处理，音频波形的每个点都转换为快速节奏的二进制序列，该序列被设计为生成振幅变化的链式反应；在振荡器中，通过得到数字波形，而后通过振荡器产生相对应波形的电压输入所述自旋电子声音识别器件；
通过向二维外尔半金属层输入一个略低于阈值的Iin，而后将处理后的信号激励输入振荡器中，由此产生一个微波电压Vin，通过这一微波电压Vin与恒定电流Iin，利用二维外尔半金属的自旋轨道耦合效应实现电流与自旋极化电流的转换，通过自旋轨道转矩效应实现铁磁性层磁矩的翻转，实现多电阻状态，从而识别声音。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110251717.3A CN113161478B (zh) | 2021-03-08 | 2021-03-08 | 基于人工智能的自旋电子声音识别器件及制备方法与应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110251717.3A CN113161478B (zh) | 2021-03-08 | 2021-03-08 | 基于人工智能的自旋电子声音识别器件及制备方法与应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113161478A true CN113161478A (zh) | 2021-07-23 |
| CN113161478B CN113161478B (zh) | 2022-08-16 |
Family
ID=76884534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110251717.3A Active CN113161478B (zh) | 2021-03-08 | 2021-03-08 | 基于人工智能的自旋电子声音识别器件及制备方法与应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113161478B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102272844A (zh) * | 2009-01-09 | 2011-12-07 | 美光科技公司 | 自旋力矩转移磁性随机存取存储器单元结构 |
| KR20180044456A (ko) * | 2016-10-21 | 2018-05-03 | 한국과학기술원 | 반도체 소자 |
| WO2018182694A1 (en) * | 2017-03-31 | 2018-10-04 | Intel Corporation | Methods and apparatus for magnetoelectric neurons in neural networks |
| CN109904291A (zh) * | 2019-02-13 | 2019-06-18 | 湖北大学 | 一种自旋电子器件及其制备方法、调控方法 |
| FR3084504A1 (fr) * | 2018-07-26 | 2020-01-31 | Thales | Chaîne synaptique comprenant des resonateurs spintroniques bases sur l'effet hall de spin inverse et reseau de neurones comprenant une telle chaîne synaptique |
-
2021
- 2021-03-08 CN CN202110251717.3A patent/CN113161478B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102272844A (zh) * | 2009-01-09 | 2011-12-07 | 美光科技公司 | 自旋力矩转移磁性随机存取存储器单元结构 |
| KR20180044456A (ko) * | 2016-10-21 | 2018-05-03 | 한국과학기술원 | 반도체 소자 |
| WO2018182694A1 (en) * | 2017-03-31 | 2018-10-04 | Intel Corporation | Methods and apparatus for magnetoelectric neurons in neural networks |
| FR3084504A1 (fr) * | 2018-07-26 | 2020-01-31 | Thales | Chaîne synaptique comprenant des resonateurs spintroniques bases sur l'effet hall de spin inverse et reseau de neurones comprenant une telle chaîne synaptique |
| CN109904291A (zh) * | 2019-02-13 | 2019-06-18 | 湖北大学 | 一种自旋电子器件及其制备方法、调控方法 |
Non-Patent Citations (2)
| Title |
|---|
| JACOB TORREJON: "Neuromorphic computing with nanoscale spintronic oscillators", 《NATURE》 * |
| V. P. AMIN: "Interfacial spin–orbit torques", 《JOURNAL OF APPLIED PHYSICS》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113161478B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10957372B2 (en) | Switching skyrmions with VCMA/electric field for memory, computing and information processing | |
| Xiong et al. | Reconfigurable logic‐in‐memory and multilingual artificial synapses based on 2D heterostructures | |
| Finocchio et al. | The promise of spintronics for unconventional computing | |
| Ramesh et al. | Whither oxide electronics? | |
| Gushi et al. | Large current driven domain wall mobility and gate tuning of coercivity in ferrimagnetic Mn4N thin films | |
| Fernandez et al. | Thin‐film ferroelectrics | |
| Salaheldeen et al. | Tuning nanohole sizes in Ni hexagonal antidot arrays: Large perpendicular magnetic anisotropy for spintronic applications | |
| Jia et al. | Flexible ferroelectric devices: status and applications | |
| Camsari et al. | From charge to spin and spin to charge: Stochastic magnets for probabilistic switching | |
| Flebus et al. | Non-Hermitian topology of one-dimensional spin-torque oscillator arrays | |
| CN108546919B (zh) | 一种利用脉冲激光沉积制备独立分散铁酸钴纳米柱的方法 | |
| Joksas et al. | Memristive, Spintronic, and 2D‐Materials‐Based Devices to Improve and Complement Computing Hardware | |
| Kumar et al. | Ultralow energy domain wall device for spin-based neuromorphic computing | |
| Hong et al. | 3D multilevel spin transfer torque devices | |
| CN113161478B (zh) | 基于人工智能的自旋电子声音识别器件及制备方法与应用 | |
| Li et al. | Flexible aluminum-doped hafnium oxide ferroelectric synapse devices for neuromorphic computing | |
| Zhang et al. | Voltage modulated long-term plasticity in perovskite heterostructured memristive synaptic devices with high-performance neuromorphic computing | |
| CN113921695A (zh) | 室温下具有垂直磁各向异性的异质结结构及其应用 | |
| Xie et al. | Memristive switching by bulk spin–orbit torque in symmetry-broken ferromagnetic films | |
| CN115867113A (zh) | 基于Ga基二维铁磁体异质结的自旋轨道矩器件及制备方法 | |
| de h-Óra et al. | Highly cyclable voltage control of magnetism in cobalt ferrite nanopillars for memory and neuromorphic applications | |
| CN110534645A (zh) | 一种阈值电压可调的三端超晶格存算一体器及其制备方法 | |
| CN113224232B (zh) | 基于底电极垂直向电压控制的sot-mram及制造、写入方法 | |
| CN110265479B (zh) | 逻辑器件、逻辑组件及其制造方法 | |
| CN113903855A (zh) | 一种提高多层膜结构自旋轨道矩翻转效率的方法及多层膜结构、磁隧道结与磁随机存储器 |
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 |