CN116521132A - 真随机数发生器 - Google Patents
真随机数发生器 Download PDFInfo
- Publication number
- CN116521132A CN116521132A CN202310508761.7A CN202310508761A CN116521132A CN 116521132 A CN116521132 A CN 116521132A CN 202310508761 A CN202310508761 A CN 202310508761A CN 116521132 A CN116521132 A CN 116521132A
- Authority
- CN
- China
- Prior art keywords
- random number
- true random
- probability
- number generator
- free layer
- 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.)
- Pending
Links
- 230000005415 magnetization Effects 0.000 claims abstract description 31
- 238000005315 distribution function Methods 0.000 claims abstract description 29
- 230000005291 magnetic effect Effects 0.000 claims description 15
- 238000013531 bayesian neural network Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 230000005641 tunneling Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 31
- 230000007306 turnover Effects 0.000 abstract 2
- 230000005290 antiferromagnetic effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/58—Random or pseudo-random number generators
- G06F7/588—Random number generators, i.e. based on natural stochastic processes
-
- 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
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Neurology (AREA)
- Hall/Mr Elements (AREA)
Abstract
本发明提供了一种真随机数发生器,包括至少一级真随机数发生单元以及概率控制单元,其中概率控制单元与至少一级真随机数发生单元相连接,用于控制至少一级真随机数发生单元的自由层磁化翻转概率或者其翻转概率的概率分布函数。在本发明的真随机数发生器中,通过概率控制单元控制真随机数发生单元的自由层磁化翻转概率或者自由层磁化翻转概率的概率分布函数,能够精确地调整真随机数发生器的概率分布。
Description
技术领域
本公开总体上涉及生成真随机数的技术领域,具体地涉及一种真随机数发生器,更具体地,涉及一种概率分布函数可调的真随机数发生器。
背景技术
高随机性的真随机数发生器已经在保密通信、密码学、信息安全等领域发挥着巨大的作用。片上集成的大吞吐量的真随机数发生器在新型计算架构中,诸如随机计算、人工神经网络、复杂问题求解和优化算法求解器等架构中正日益找到其广泛的适用场景和应用潜力。这些应用不但要求真随机数发生器具有巨大的随机数产率,还对数据的随机性或者随机分布方式——概率分布函数有很高的要求,如贝叶斯神经网络中大量采用的高斯分布等等。
因此,期望提供一种满足大随机数吞吐量且概率分布精确可调的真随机数发生器。
发明内容
本发明的一个目的在于提供一种真随机数发生器,其能够精确地调整概率分布。
在本发明的一个实施例中,一种真随机数发生器,包括:至少一级真随机数发生单元;以及概率控制单元,其与至少一级真随机数发生单元相连接,用于控制至少一级真随机数发生单元的自由层磁化翻转概率或者其翻转概率的概率分布函数。
在本发明的一个实施例中,至少一级真随机数发生单元具有SOT-MTJ结构,其包括自旋流和自旋轨道力矩产生层和与之相邻的MTJ结构,其中MTJ结构包括磁性自由层、隧穿势垒层和磁性参考层。在本发明的进一步实施例中,MTJ结构还包括人工反铁磁参考层,其中人工反铁磁参考层包括反铁磁耦合间隔层、铁磁钉扎层和反铁磁层。在本发明的进一步实施例中,MTJ结构还包括顶电极和防氧化层。由于SOT-MTJ结构的自由层磁化翻转时间可以短至ns量级,因此可以以100Mb/s的速率产生随机数,满足大随机数吞吐量的要求。
在本发明的一个实施例中,自旋流和自旋轨道力矩产生层由具有高自旋轨道力矩产生效率的材料制成,例如写沟道层由Ta或W或Pt或它们的合金制成,或者由Bi2Se3拓扑绝缘体的具有强自旋轨道耦合性质的薄膜材料制成。
在本发明的一个实施例中,SOT-MTJ结构的自由层磁化翻转概率受到偏置电压或偏置电流控制而单调变化。
在本发明的一个实施例中,真随机数发生器包含N级真随机数发生单元,在整数[0,2N-1]之间按照预设的概率分布函数生成真随机数,其中N≥2。
在本发明的一个实施例中,概率控制单元存储有预设的自由层磁化翻转概率的概率分布函数模型以供所述真随机数发生单元选择。
在本发明的一个实施例中,真随机数发生单元是按照贝叶斯网络模型连接的。
在本发明的一个实施例中,后一级真随机数发生单元的自由层磁化翻转概率是所有前面级真随机数发生单元的自由层磁化翻转结果的条件概率,并且条件概率形成的条件概率表被以硬件或软件或者软件和硬件结合的方式集成到真随机数发生器中。
在本发明的一个实施例中,真随机数发生器包括4级随机数发生器单元A、B、C、D,并且真随机数发生器以概率P(N)产生整数N=23A+22B+21C+20D,式中,A、B、C、D取值为0或1,
式中fA为A级真随机数发生单元的自由层磁化翻转概率与驱动电压的依赖函数;
当A=1时;/> 当A=0,式中,fB函数是B级真随机数发生单元的自由层磁化翻转概率与驱动电压的依赖关系;
PC|AB=fC(VC);以及
PD|ABC=fD(VD)。
在本发明的一个实施例中,4级随机数发生器单元A、B、C、D的驱动电压VA、VB、VC、VD分别为:
VA=k0
VB=k1+k2A
VC=k3+k4A+k5B+k6AB
VD=k7+k8A+k9B+k10C+k11AB+k12AC+k13BC+k14ABC (1)
式中,k1(i=1,…,14)分别是贝叶斯神经网络的权重系数,
VA1=fA -1(P(A))
k0=VA1 (2)
VB1=fB -1(P(B|A=1))
VB2=fB -1(P(B|A=0))
在根据本发明的真随机数发生器中,通过在真随机数发生器具有一个真随机数发生单元时,概率控制单元控制真随机数发生单元的自由层磁化翻转概率;或者在真随机数发生器具有至少两级真随机数发生单元时,概率控制单元控制真随机数发生单元的自由层磁化翻转概率的概率分布函数,能够精确地调整真随机数发生器的概率分布。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出根据本发明的实施例的真随机数发生器的结构示意图。
图2示出根据本发明的实施例的SOT-MTJ结构的示意图。
图3示出根据本发明的实施例的真随机数发生单元的自由层磁化翻转概率和驱动电压的依赖关系示意图。
图4a-c示出0.8V、0.9V和1.0V条件下,SOT-MTJ真随机数发生单元的隧穿磁电阻比值与时间的关系曲线。
图5示出根据本公开的实施例的4级真随机数发生单元贝叶斯神经网络示意图。
图6示出根据本公开的实施例的4级真随机数发生器的示例性实际输出结果的统计概率分布和预设概率分布图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
概述
真随机数发生器是通过热扰动或者量子波动等本征的物理过程产生的噪音来生成随机数的微电子器件。在现有计算架构中,随机数往往是通过一定的算法在软件层面生成的,其被称为伪随机数。而真随机数发生器因其随机性是由真实的物理过程赋予的,因此相对软件生成的伪随机数发生器在随机性、不可克隆性或者防破解性等性能上具有压倒性优势。高随机性的真随机数发生器已经在保密通信、密码学、信息安全等领域发挥着巨大的作用。
片上集成的大吞吐量真随机数发生器在新型计算架构中,诸如随机计算、人工神经网络、复杂问题求解和优化算法求解器等架构中正日益寻找其广泛的适用场景,展现其应用潜力。这些应用不但要求真随机数发生器具有巨大的随机数产率,还对数据的随机性或者随机分布方式——概率分布函数(Probability Distribution Function,简写为PDF)有很高的要求,如贝叶斯神经网络中大量采用的高斯分布等等。这时具备片上集成能力的高质量概率分布函数可调的真随机数发生器有望从底层硬件层面满足大随机数吞吐量、概率分布精确可调的应用需求,为随机计算等新型计算架构的芯片从元器件层面带来巨大的提速增效的助益。
磁性隧道结(Magnetic Tunnel Junction,简称MTJ)器件可应用于真随机数发生器领域。例如小热稳定因子的低势垒MTJ已经被用作概率比特(probability bit,简称p-bit),用于整数分解等非多项式算法复杂度(非多项式算法复杂度NP-Hard)问题的求解。这类MTJ的热稳定因子较小,其自身的磁矩状态——平行或反平行态在热扰动下会发生跳变,表现出真随机数发生器的行为。此类低势垒MTJ的随机数产率,通过降低热稳定因子,可达100Mb/s以上。
然而针对多种真随机数发生器的应用场景,如贝叶斯人工神经网络等,真随机数发生器不仅需要具备可调的概率分布函数,还需要能够存储其产生的随机数。在诸如贝叶斯神经网络中,节点间的权重系数不再是单一的数字,而是某种概率分布函数。正因为这种变化,贝叶斯神经网络拥有远超常规人工神经网络的丰富表达能力;也正由于这种变化,需要一个或若干个随机数发生器来存储每条网络边的权重——权重系数便是随机数发生器在某次激励后产生的随机数。同时产生的随机数需要非易失地存储在相应边的位置,以便网络中其他节点后续访问和调用该边权重信息。
因此拥有高热稳定因子以及数据非易失性的真随机数发生器恰好能满足此类应用场景的需求。在这方面,虽然自旋转移力矩(Spin Transfer Torque,STT)型MTJ也能发挥作用,但是自旋轨道力矩(Spin-orbit torque,简称SOT)磁性隧道结(SOT-MTJ)在速度、能耗、尤其是读写寿命方面具有优势,需要一种基于SOT-MTJ的概率分布函数任意可调的高势垒真随机数发生器。
示例性真随机数发生器
在一个实施例中,如图1所示,真随机数发生器包括至少一级真随机数发生单元和概率控制单元,其中概率控制单元与至少一级真随机数发生单元相连接,用于控制至少一级真随机数发生单元的自由层磁化翻转概率或者其翻转概率的概率分布函数。在这里,在真随机数发生器只包括一级真随机数发生单元时,概率控制单元控制真随机数发生单元的自由层磁化翻转概率;在真随机数发生器包括多级真随机数发生单元时,概率控制单元控制真随机数发生器的概率分布函数。
在一个实施例中,真随机数发生单元具有SOT-MTJ结构。如图2所示,真随机数发生单元具有SOT-MTJ结构,其包括自旋流和自旋轨道力矩产生层和与之相邻的MTJ结构,其中,MTJ结构包括磁性自由层、隧穿势垒层和磁性参考层。在本发明的进一步实施例中,MTJ结构还包括人工反铁磁参考层,其中人工反铁磁参考层包括反铁磁耦合间隔层、磁性钉扎层和反铁磁层。在本发明的进一步实施例中,MTJ结构还包括顶电极和防氧化层。由于SOT-MTJ结构的自由层磁化翻转时间可以短至ns量级,因此可以以100Mb/s的速率产生随机数,满足大随机数吞吐量的要求。
在本发明的一个实施例中,自旋流和自旋轨道力矩产生层由具有高自旋轨道力矩产生效率的材料制成,例如写沟道层由Ta或W或Pt或它们的合金制成,或者由Bi2Se3拓扑绝缘体的具有强自旋轨道耦合性质的薄膜材料制成。
在本发明的一个实施例中,SOT-MTJ结构的自由层磁化翻转概率受到偏置电压或偏置电流控制而单调变化。SOT-MTJ结构的磁性自由层在偏置电压或偏置电流的激励下,从低电阻状态(数据0)向高电阻状态(数据1)转变,如图3所示,SOT-MTJ结构的自由层磁化翻转概率受偏置电压调节,在P∈[0,1]之间单调增加。因此,SOT-MTJ结构本身可用作概率可调的二元随机数——又名伯努利随机数。图4a-c示出0.8V、0.9V和1.0V条件下,SOT-MTJ真随机数发生单元的隧穿磁电阻比值与时间的关系曲线,其中隧穿磁电阻比值(TMR)等于0%的状态表示磁性隧道结的平行态;TMR比值等于120%的状态表示磁性隧道结的反平行状态。
在一个实施例中,真随机数发生器包括4级真随机数发生单元A、B、C和D,按照预设的概率分布函数产生[0,15]的随机整数。这四个真随机数发生单元A、B、C和D,如图5所示,按照贝叶斯神经网络布置成4层,即4级,后一级真随机数发生单元的自由层磁化翻转概率是该后一级真随机数发生单元的所有前面级真随机数发生单元的自由层磁化翻转结果的条件概率。
具体地,为了根据要求产生随机数,我们根据表1的要求首先对第一层中A节点的SOT-MTJ结构提供写入电压VA,驱动A节点的SOT-MTJ结构的自由层磁化发生翻转。VA的选择依据为fA函数为A节点SOT-MTJ结构的自由层磁化翻转概率~驱动电压的依赖函数。然后根据A节点的输出结果,0或1,来选择第二层中B节点的驱动电压VB,使得满足下述条件:/>当A=1时;或者当A=0。此时的fB函数是B节点SOT-MTJ结构的自由层磁化翻转概率与驱动电压的依赖关系。依据类似的原理,根据条件概率PC|AB和PD|ABC分别确定C节点和D节点SOT-MTJ结构的驱动电压,使得PC|AB=fC(VC)及PD|ABC=fD(VD)。最终这个由4级SOT-MTJ结构组成的真随机数发生单元以P(N)的概率随机地产生了整数N=23A+22B+21C+20D。欲提高输出随机数的范围或者精度,需要增加SOT-MTJ结构的级数或者真随机数发生单元贝叶斯神经网络的层数。
表1.条件概率表,其中S(i,j)表示从P(i)到P(j)的概率求和
为了避免处理器频繁地调用条件概率表的信息,条件概率表中的条件概率信息可以以硬件或软件或软件和硬件的结合的形式集成到真随机数发生器中。例如,如图5所示,处理器根据A→B→C→D的顺序,依次执行对人工神经网络的各层节点进行采样。图4中贝叶斯神经网络的节点ki(i=0…14)以式1-4计算得到。
一旦通过式1-4计算得到ki(i=0…14),完成贝叶斯神经网络参数设置,可以通过如下方式逐级完成对A→B→C→D四个SOT-MTJ结构的随机采样。A、B、C、D四个SOT-MTJ结构的各自随机采样的驱动电压VA、VB、VC、VD分别通过式(5)获得。通过这种方式便可以将条件概率表存储在真随机数发生器中,便于就近调用以及触发后续级联的SOT-MTJ结构。
根据本发明的真随机数发生器的真随机数发生单元不限于SOT-MTJ器件,也适用于STT-MTJ(自旋转移力矩磁性隧道结)、低势垒MTJ和其他能够生成可调概率的二元真随机数发生器件。
示例
下面以概率分布函数为均匀分布、高斯分布和卡方分布为例来说明4级真随机数发生器的预设概率分布。当然,预设概率分布函数P(N)可以为任意分布,只要满足的归一化条件即可。
如果概率分布函数为均匀分布,P(N)=1/16=0.0625。
如果概率分布函数为高斯分布,通用的高斯分布函数表达式为
这里取μ=7.5。σ作为缩放参数,取特定值使得f(x)在x<0和x>15的范围的积分各为ε,ε作为高斯分布两侧各舍弃的概率值,这里ε选取为0.01或0.001,分别得到离散的高斯分布的概率分布P(N),将其归一化后,得到预设概率分布为:
N | P(N),ε=0.01 | P(N),ε=0.001 |
0 | 0.01111996 | 0.002430858 |
1 | 0.020016008 | 0.006821162 |
2 | 0.03312696 | 0.016516617 |
3 | 0.05041 | 0.034511008 |
4 | 0.070531593 | 0.062226661 |
5 | 0.090736766 | 0.096824338 |
6 | 0.107328748 | 0.130013056 |
7 | 0.116729965 | 0.150656301 |
8 | 0.116729965 | 0.150656301 |
9 | 0.107328748 | 0.130013056 |
10 | 0.090736766 | 0.096824338 |
11 | 0.070531593 | 0.062226661 |
12 | 0.05041 | 0.034511008 |
13 | 0.03312696 | 0.016516617 |
14 | 0.020016008 | 0.006821162 |
15 | 0.01111996 | 0.002430858 |
如果概率分布函数为卡方分布,通用的卡方分布函数表达式为
其中x≥0,ν是形状因子,Γ是伽马函数,
这里ν分别取值为2、8和50,类似高斯分布两边各舍弃概率0.01并归一化,可以得到以下预设概率分布函数P(N):
N | P(N),ν=2 | P(N),ν=8 | P(N),v=50 |
0 | 0.252181891 | 0.044573363 | 0.017387868 |
1 | 0.189228566 | 0.086619336 | 0.034220844 |
2 | 0.141990569 | 0.117450674 | 0.056746407 |
3 | 0.10654481 | 0.130519776 | 0.081312938 |
4 | 0.079947539 | 0.127884919 | 0.102726844 |
5 | 0.059989867 | 0.114892103 | 0.116296678 |
6 | 0.045014321 | 0.096881529 | 0.119561656 |
7 | 0.033777189 | 0.077841677 | 0.112863538 |
8 | 0.025345234 | 0.060209132 | 0.098735468 |
9 | 0.019018186 | 0.045161297 | 0.080677742 |
10 | 0.014270589 | 0.033026669 | 0.061987024 |
11 | 0.010708156 | 0.023644614 | 0.045041649 |
12 | 0.00803503 | 0.016624418 | 0.031107166 |
13 | 0.006029208 | 0.011507958 | 0.020508242 |
14 | 0.004524109 | 0.007858976 | 0.012956138 |
15 | 0.003394735 | 0.005303559 | 0.007869797 |
使用预设概率分布函数反复依次对4个SOT-MTJ结构进行写入操作,得到一系列的输出整数N∈[0,15]。统计一定数量的N的概率分布,在误差许可的范围内,符合预设的概率分布。以高斯分布为例,实际输出结果的统计概率分布与预设概率分布如图6所示,显然根据本公开的实施例的4级真随机数发生器的示例性实际输出结果的统计概率分布符合预设概率分布即高斯分布。
基于该SOT-MTJ的真随机发生器可用于受限玻尔兹曼机等随机计算架构的人工神经网络,并进一步用于图像识别、语音识别、模式识别、图像生成等领域。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
为了例示和描述的目的已经给出了以上描述。然而,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种真随机数发生器,包括:
至少一级真随机数发生单元;以及
概率控制单元,其与所述至少一级真随机数发生单元相连接,用于控制所述至少一级真随机数发生单元的自由层磁化翻转概率或者其翻转概率的概率分布函数。
2.根据权利要求1所述的真随机数发生器,其中,所述至少一级真随机数发生单元具有自旋轨道力矩-磁性隧道结SOT-MTJ结构,其包括自旋流和自旋轨道力矩产生层和与之相邻的MTJ结构,其中所述MTJ结构包括磁性自由层、隧穿势垒层和磁性参考层。
3.根据权利要求2所述的真随机数发生器,其中,所述自旋流和自旋轨道力矩产生层由具有高自旋轨道力矩产生效率的材料制成。
4.根据权利要求2所述的真随机数发生器,其中,
所述SOT-MTJ结构的自由层磁化翻转概率受到偏置电压或偏置电流控制而单调变化。
5.根据权利要求1所述的真随机数发生器,其中,
所述真随机数发生器包含N级真随机数发生单元,在整数[0,2N-1]之间按照预设的概率分布函数生成真随机数,其中N≥2。
6.根据权利要求5所述的真随机数发生器,其中,
所述概率控制单元存储有预设的自由层磁化翻转概率的概率分布函数模型以供所述真随机数发生单元选择。
7.根据权利要求5所述的真随机数发生器,其中,所述真随机数发生单元是按照贝叶斯网络模型连接的。
8.根据权利要求7所述的真随机数发生器,其中,
后一级真随机数发生单元的自由层磁化翻转概率是所有前面级真随机数发生单元的自由层磁化翻转结果的条件概率,并且所述条件概率形成的条件概率表被以硬件或软件或者软件和硬件结合的方式集成到所述真随机数发生器中。
9.根据权利要求7所述的真随机数发生器,其中,
所述真随机数发生器包括4级随机数发生器单元A、B、C、D,并且所述真随机数发生器以概率P(N)产生整数N=23A+22B+21C+20D,式中A、B、C、D取值为0或1,
式中fA为A级真随机数发生单元的自由层磁化翻转概率与驱动电压的依赖函数;
当A=1时;/> 当A=0,式中,fB函数是B级真随机数发生单元的自由层磁化翻转概率与驱动电压的依赖关系;
PC|AB=fC(VC);以及
PD|ABC=fD(VD)。
10.根据权利要求9所述的真随机数发生器,其中,
所述4级随机数发生器单元A、B、C、D的驱动电压VA、VB、VC、VD分别为:
VA=k0
VB=k1+k2A
VC=k3+k4A+k5B+k6AB
VD=k7+k8A+k9B+k10C+k11AB+k12AC+k13BC+k14ABC (1)
式中,ki(i=1,…,14)分别是贝叶斯神经网络的权重系数,
VA1=fA -1(P(A))
k0=VA1 (2)
VB1=fB -1(P(B|A=1))
VB2=fB -1(P(B|A=0))
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508761.7A CN116521132A (zh) | 2023-05-08 | 2023-05-08 | 真随机数发生器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508761.7A CN116521132A (zh) | 2023-05-08 | 2023-05-08 | 真随机数发生器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116521132A true CN116521132A (zh) | 2023-08-01 |
Family
ID=87393854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310508761.7A Pending CN116521132A (zh) | 2023-05-08 | 2023-05-08 | 真随机数发生器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521132A (zh) |
-
2023
- 2023-05-08 CN CN202310508761.7A patent/CN116521132A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10957372B2 (en) | Switching skyrmions with VCMA/electric field for memory, computing and information processing | |
US9620562B2 (en) | Voltage-controlled magnetic anisotropy switching device using an external ferromagnetic biasing film | |
Kummamuru et al. | Operation of a quantum-dot cellular automata (QCA) shift register and analysis of errors | |
Oosawa et al. | Design of an STT-MTJ based true random number generator using digitally controlled probability-locked loop | |
US10832749B2 (en) | Perpendicular magnetic memory with symmetric fixed layers | |
Debashis et al. | Design of stochastic nanomagnets for probabilistic spin logic | |
US20200312391A1 (en) | Spin-based storage element | |
WO2019125684A1 (en) | Physically unclonable function implemented with spin orbit coupling based magnetic memory | |
US20130313623A1 (en) | Threshold gate and threshold logic array | |
Qu et al. | Variation-resilient true random number generators based on multiple STT-MTJs | |
Hassan et al. | Quantitative evaluation of hardware binary stochastic neurons | |
Lan et al. | Random search enhancement of error minimized extreme learning machine. | |
US11487508B2 (en) | Magnetic tunnel junction based true random number generator | |
US20200185457A1 (en) | Selector devices | |
Pan et al. | Skyrmion-induced memristive magnetic tunnel junction for ternary neural network | |
Leonard et al. | Stochastic domain wall-magnetic tunnel junction artificial neurons for noise-resilient spiking neural networks | |
US11393517B2 (en) | Apparatus and methods for writing random access memories | |
Zhang et al. | Reconfigurable physical unclonable cryptographic primitives based on current-induced nanomagnets switching | |
CN116521132A (zh) | 真随机数发生器 | |
Alisha et al. | Optimizing free layer of magnetic tunnel junction for true random number generator | |
Ollivier et al. | Sustainable ai processing at the edge | |
US10949738B1 (en) | Tunable memristor noise control | |
US20220165933A1 (en) | Random number generator using stochastic magnetic tunneling junction structure | |
Oya | Thermal-noise-exploiting operations of single-electron majority logic circuits with conventional clock signals | |
Zhang et al. | Tunable random number generators implemented by spin-orbit torque driven stochastic switching of a nanomagnet for probabilistic spin logic |
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 |