[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

JP7108987B2 - 情報処理装置及び情報処理方法 - Google Patents

情報処理装置及び情報処理方法 Download PDF

Info

Publication number
JP7108987B2
JP7108987B2 JP2019518815A JP2019518815A JP7108987B2 JP 7108987 B2 JP7108987 B2 JP 7108987B2 JP 2019518815 A JP2019518815 A JP 2019518815A JP 2019518815 A JP2019518815 A JP 2019518815A JP 7108987 B2 JP7108987 B2 JP 7108987B2
Authority
JP
Japan
Prior art keywords
information
nodes
magnetic
node
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
JP2019518815A
Other languages
English (en)
Other versions
JPWO2018212201A1 (ja
Inventor
光 野村
義茂 鈴木
英一 田村
真嗣 三輪
穣 後藤
フェルディナンド ペパー
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.)
Osaka University NUC
National Institute of Information and Communications Technology
Original Assignee
Osaka University NUC
National Institute of Information and Communications Technology
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 Osaka University NUC, National Institute of Information and Communications Technology filed Critical Osaka University NUC
Publication of JPWO2018212201A1 publication Critical patent/JPWO2018212201A1/ja
Application granted granted Critical
Publication of JP7108987B2 publication Critical patent/JP7108987B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L29/00—Semiconductor devices specially adapted for rectifying, amplifying, oscillating or switching and having potential barriers; Capacitors or resistors having potential barriers, e.g. a PN-junction depletion layer or carrier concentration layer; Details of semiconductor bodies or of electrodes thereof ; Multistep manufacturing processes therefor
    • H01L29/66—Types of semiconductor device ; Multistep manufacturing processes therefor
    • H01L29/82—Types of semiconductor device ; Multistep manufacturing processes therefor controllable by variation of the magnetic field applied to the device

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)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Ceramic Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Neurology (AREA)
  • Hall/Mr Elements (AREA)
  • Mram Or Spin Memory Techniques (AREA)

Description

本発明は、情報処理装置及び情報処理方法に関する。
現在、普及しているコンピュータの多くは、ノイマン型コンピュータである。ノイマン型コンピュータは、プログラムやデータを記憶するメモリと、情報処理デバイスとを備える。ノイマン型コンピュータが備える情報処理デバイスは、メモリに記憶されたプログラムやデータに従って、適宜の演算処理を実行する。
一方、非ノイマン型コンピュータも存在する。非ノイマン型コンピュータの１つとして、ニューラルネットワークを模したリザーバコンピュータが提案されている（例えば、特許文献１及び２を参照）。
米国特許出願公開第２０１４／０２１４７３８号明細書 米国特許第９４７７１３６号明細書
しかしながら、特許文献１に開示されたリザーバコンピュータでは、リザーバを構成する演算ノードが負性抵抗素子により構成されており、各負性抵抗素子に対する電流制御によって情報の書き込みが行われる。また、負性抵抗素子を演算ノードとして備えるリザーバにて情報を保持する場合においても電流制御が必要となる。よって、特許文献１に開示されたリザーバコンピュータでは、消費電力を低く抑えることができないという問題点を有している。
また、特許文献２に開示されたリザーバコンピュータでは、リザーバを構成する演算ノードが受動型シリコンフォトニクス・チップにより構成されており、情報の書き込みにはレーザ光やコヒーレント光の照射が必要となる。よって、特許文献２に開示されたリザーバコンピュータにおいても、消費電力を低く抑えることができないという問題点を有している。
本発明は、低消費電力でリザーバコンピューティングを実現することができる情報処理装置及び情報処理方法を提供することを目的とする。
本発明の一態様に係る情報処理装置は、夫々が磁性体により構成された複数のノードを含み、各ノードが少なくとも１つの他のノードに磁気的に結合されている磁性体リザーバと、該磁性体リザーバに含まれる複数のノードから、情報を書き込むべき１又は複数のノードを選択するノード選択部と、選択した１又は複数のノードに情報を書き込む情報書込部と、前記情報を書き込んだ後に、前記磁性体リザーバに含まれる各ノードの線形結合によって得られる情報を読み出す情報読出部とを備える。
本発明の一態様に係る情報処理方法は、夫々が磁性体により構成された複数のノードを含み、各ノードが少なくとも１つの他のノードに磁気的に結合されている磁性体リザーバに対して、情報を書き込むべき1又は複数のノードを選択し、選択した１又は複数のノードに情報を書き込み、前記情報を書き込んだ後に、前記磁性体リザーバに含まれる各ノードの線形結合によって得られる情報を読み出す。
上記一態様によれば、低消費電力でリザーバコンピューティングを実現することができる。
本実施の形態に係る情報処理装置の構成を示す概念図である。 微小磁性体の一例を示す模式図である。 本実施の形態に係る情報処理装置が実行する処理の手順を示すフローチャートである。 性能評価で用いた微小磁性体リザーバの構成を示す模式図である。 実施の形態２に係る微小磁性体リザーバ２０の構成を示す模式図である。 磁気異方性の変更方法を説明するグラフである。 バイナリ演算に用いるデータを説明する説明図である。 時間０～１の間の磁化状態のＺ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 時間０～１の間の磁化状態のＺ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 時間０～１の間の磁化状態のＺ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 時間１～２の間の磁化状態のＸ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 時間１～２の間の磁化状態のＸ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 時間１～２の間の磁化状態のＸ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。 入力の遅延量に対するエラーレートを示すグラフである。 実施の形態３に係る微小磁性体リザーバの構成を示す模式図である。 磁気異方性の変更方法を説明する説明図である。 教師データとの比較結果を示す図である。 教師データとの比較結果を示す図である。 磁化状態のＸ成分を用いて学習した場合の排他的論路演算におけるエラーレートを示すグラフである。 実施の形態４に係る微小磁性体リザーバの構成を示す模式図である。 実施の形態５に係る微小磁性体リザーバの模式的平面図である。 実施の形態５に係る微小磁性体リザーバの模式的断面図である。
以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は本実施の形態に係る情報処理装置の構成を示す概念図である。本実施の形態に係る情報処理装置は、所謂リザーバコンピュータであり、入力情報セル１０、微小磁性体リザーバ２０、重み付け演算素子３０、及び出力情報セル４０を備える。
微小磁性体リザーバ２０には、複数の演算ノード２１，２１，…，２１が含まれている。各演算ノード２１は、後述する微小磁性体により構成されている。微小磁性体間に静磁気相互作用が働くことにより、演算ノード２１，２１間は磁気的に結合されている。図１の例では、マトリクス状に配置された４行×５列の演算ノード２１，２１，…，２１のうち、左上隅に配置された演算ノード２１は、右側及び下側に隣接する２つの演算ノード２１，２１に磁気的に結合されていることを示している。他の演算ノード２１についても同様であり、図１の例では、各演算ノード２１は２～４個の他の演算ノード２１に磁気的に結合されていることを示している。
なお、図１の例では、最近接の演算ノード２１，２１同士が磁気的に結合された状態を示しているが、磁気的に結合される２つの演算ノード２１，２１は必ずしも最近接に配置される必要はない。
また、図１の例では、４行×５列のマトリクス状に演算ノード２１，２１，…，２１を配置した構成を示したが、演算ノード２１の配置は図１の例に限定されるものではない。例えば、図１に示すように正方格子の各頂点に演算ノード２１が配置されていてもよく、矩形格子、三角格子、六角格子、菱形格子等の各種平面格子の各頂点に演算ノード２１が配置されていてもよい。また、演算ノード２１は平面上に配置される必要はなく、任意の空間格子における各頂点に配置されていてもよい。さらに、演算ノード２１は周期的に配置される必要はなく、同一平面内若しくは空間内にランダムに配置されてもよい。
演算ノード２１を構成する微小磁性体は、例えば、Ｎｉ－Ｆｅ系合金、Ｎｉ－Ｆｅ－Ｃｏ系合金、Ｃｏ－Ｆｅ系合金などの合金により形成される。微小磁性体は、例えば、形状磁気異方性を利用して、磁化容易軸を１つだけ有するように構成されている。図２は微小磁性体の一例を示す模式図である。演算ノード２１に用いられる微小磁性体は、例えば楕円柱形状をなし、楕円の長軸方向に１００ｎｍ、短軸方向に５０ｎｍ、厚み方向に２０ｎｍ程度の大きさを有する。このような形状の微小磁性体において、磁化容易軸は楕円の長軸方向と一致する方向に１つだけ形成される。特に、微小磁性体が磁化容易軸に沿って細長い形状であれば、磁化容易軸上において磁化の向きが双安定性を示す。すなわち、微小磁性体における磁化方向は、磁化容易軸に沿う第１方向（図中の白抜き矢符で示す方向）、又は第１方向から１８０度反転した第２方向（図中の黒塗矢符で示す方向）の何れかの方向をとり、他の方向（磁化容易軸からずれた方向）はとらないように構成することができる。
なお、図２では、微小磁性体の一例として、磁化容易軸を１つだけ有し、磁化容易軸上において磁化の向きが双安定性を示す微小磁性体の構成を説明したが、周囲の磁化状態に応じて磁化の安定方向が定まる限りにおいて、双安定性を示さない微小磁性体であってもよく、磁化容易軸が存在しない微小磁性体、又は磁化容易軸が複数存在する微小磁性体であってもよい。また、図２では、楕円柱形状をなす微小磁性体について説明したが、微小磁性体の形状は楕円柱形状に限定されるものではない。例えば、厚み方向と直交する断面の形状が円形、長方形、角が丸められた長方形、２つの円を僅かに重ねた形状であってもよい。これらの形状を有する微小磁性体は製造が容易であり、集積化が容易であるという利点を有する。
微小磁性体リザーバ２０が備える演算ノード２１，２１，…，２１への情報の書き込みは、入力情報セル１０が行う。入力情報セル１０は、微小磁性体リザーバ２０が備える複数の演算ノード２１，２１，…，２１のうち、選択した１又は複数の演算ノード２１，２１，…，２１に対して情報の書き込みを行う。入力情報セルが書き込むべき情報は、例えば０又は１のバイナリの値により記述される。入力情報セル１０は、選択した演算ノード２１に「０」を書き込む場合、当該演算ノード２１を構成する微小磁性体の磁化方向を例えば前述の第１方向に制御し、「１」を書き込む場合、微小磁性体の磁化方向を第１方向とは１８０度反転した第２方向に制御する。
微小磁性体における磁化方向の制御手法には、例えば、磁気抵抗効果型固体磁気メモリ（MRAM : Magnetic Random Access Memory）で利用される手法を用いることができる。ＭＲＡＭで利用される磁化方向の制御手法として、古典的な電流磁場を用いる手法やスピン注入磁化反転を用いる手法が知られている。前者では、目的の微小磁性体の極近傍に配置した配線に電流を流すことにより磁場を発生させ、発生させた磁場により磁化方向を制御することができる。後者では、偏極スピン電流の供給（スピン注入）によって磁化反転を行い、目的の微小磁性体の磁化方向を制御することができる。ただし、前者では、磁性体のサイズが小さくなるほど必要な電流が大きくなるというデメリット、配線からの漏れ磁場により目的の微小磁性体に近接する他の微小磁性体に書き込みエラーが発生する可能性があるというデメリットが存在する。このため、本実施の形態では、後者のスピン注入磁化反転の手法を用いることが好ましい。
また、古典的な電流磁場を用いる手法、スピン注入磁化反転を用いる手法に代えて、電界効果によって磁気的な応答を誘起する手法を用いてもよい。例えば、国際公開第２００９／１３３６５０号には、磁性層（超薄膜強磁性層）と絶縁層（ポテンシャル障壁）とを積層した構造体に対して積層方向に電界を印加することより、磁性層の磁気異方性を変調し、磁性層の磁化方向を制御する手法が開示されている。このような手法を用いて、選択した演算ノード２１を構成する微小磁性体の磁化方向を制御してもよい。
上述した磁化制御手法により、選択された演算ノード２１，２１，…，２１に対して情報が書き込まれた後、各演算ノード２１を構成する微小磁性体の磁化方向は、周囲に配置された微小磁性体からの静磁気相互作用の影響を受け、自律的に演算結果を表す状態へ遷移する。
出力情報セル４０は、入力情報セル１０によって情報が書き込まれた後、微小磁性体リザーバ２０の磁化状態が演算結果を表す状態に遷移したタイミング（例えば、情報の書き込み後１０ｎｓｅｃが経過したタイミング）で情報の読み出しを行う。具体的には、出力情報セル４０は、重み付け演算素子３０を介すことにより、微小磁性体リザーバ２０の各演算ノード２１，２１，…，２１に保持されている情報を線形結合し、線形結合によって得られる情報を読み出す。
なお、各演算ノード２１，２１，…，２１からの情報の読み出しには、前述した磁化方向の制御手法と同様に、ＭＲＡＭで利用される手法を用いることが可能である。
重み付け演算素子３０は、微小磁性体リザーバ２０の各演算ノード２１，２１，…，２１に保持されている情報を線形結合する機能と、線形結合で用いる線形重みを学習により決定する機能とを備える。重み付け演算素子３０は、出力指示が外部から与えられた場合、図に示していないメモリに記憶されている線形重みを読み出し、読み出した線形重みを用いて各演算ノード２１，２１，…，２１に保持されている情報の線形結合を行い、得られた情報を出力情報セル４０へ出力する。なお、重み付け演算素子３０は、半導体によるメモリ素子により重み付けを保持してもよく、磁性体中のドメインウォールの位置を利用した磁性メモリにより重み付けを保持してもよい。
一方、線形重みに対する学習指示が外部から与えられた場合、重み付け演算素子３０は、入力に対して理想的な出力を示す教師情報を図に示していないメモリから読み出し、当該教師情報を再現するように線形重みを学習により決定する。重み付け演算素子３０は、決定した線形重みを前述したメモリに記憶させる。重み付け演算素子３０は、例えば、最小二乗法（線形回帰）を用いて、微小磁性体リザーバ２０より得られる情報が示す値と教師情報が示す値との間の残差二乗和が最小となるように線形重みを決定してもよい。また、微小磁性体リザーバ２０が備える演算ノード２１の数が多すぎる場合、過学習による問題を回避するために、Ridge回帰、Lasso回帰、又はElastic netの手法などにより線形重みを正則化してもよい。更に、再帰的最小二乗法やいわゆるFORCE学習法などを用いて、学習過程をバッジ処理ではなく、リアルタイム処理で行うことも可能である。
なお、本実施の形態では、入力情報セル１０から微小磁性体リザーバ２０へ情報を書き込む構成としたが、入力情報セル１０に複数の入力ノード１１，１１，…，１１を設け、入力ノード１１，１１，…，１１を通じて演算ノード２１，２１，…，２１に情報を書き込む構成としてもよい。また、出力情報セル４０に複数の出力ノード４１，４１，…，４１を設け、出力ノード４１，４１，…，４１のそれぞれを用いて、微小磁性体リザーバ２０から情報を読み出す構成としてもよい。
以下、本実施の形態に係る情報処理装置の動作について説明する。
図３は本実施の形態に係る情報処理装置が実行する処理の手順を示すフローチャートである。情報処理装置の入力情報セル１０は、演算対象の情報が入力され、演算指示が与えられた場合、情報を書き込むべき１又は複数の演算ノード２１，２１，…，２１を選択する（ステップＳ１０１）。ここで、入力情報セル１０は、全演算ノード２１，２１，…，２１のうち、１０％～９０％程度の演算ノード２１，２１，…，２１をランダムに選択すればよい。
例えば、図１に示す演算ノード２１のうち、特定の行（又は列）に並ぶ演算ノード２１，２１，…，２１のみを選択して情報を書き込んだ場合、これらの演算ノード２１，２１，…，２１の近傍だけで磁化方向が安定化する可能性がある。この場合、書き込んだ情報が他の演算ノード２１，２１，…，２１に伝搬しないので、リザーバとして機能させることができない。よって、ステップＳ１０１で選択する演算ノード２１，２１，…，２１はランダムであることが好ましい。ただし、エネルギー的に高い状態となるように周期的に情報を入力できるのであれば、必ずしもランダムに演算ノード２１，２１，…，２１を選択する必要はなく、周期性を持たせて演算ノード２１，２１，…，２１を選択してもよい。
次いで、入力情報セル１０は、ステップＳ１０１で選択した１又は複数の演算ノード２１，２１，…，２１に対して情報を書き込む（ステップＳ１０２）。入力情報セル１０は、各演算ノード２１を構成する微小磁性体の磁化方向を制御することにより、情報の書き込みを行う。磁化方向の制御には、古典的な電流磁場を用いる手法、スピン注入磁化反転を用いる手法、電界効果により磁気的な応答を誘起する手法等を用いることができる。
次いで、微小磁性体リザーバ２０の磁化状態を演算結果を表す状態に遷移させる（ステップＳ１０３）。演算ノード２１を構成する微小磁性体の磁化方向は、当該演算ノード２１の周囲に配置された微小磁性体からの静磁気相互作用の影響を受けて、自律的に演算結果を表す状態へ遷移する。情報処理装置が実行する処理としては、微小磁性体リザーバ２０の磁化方向が演算結果を表す状態へ遷移するのに要する時間（例えば１０ｎｓｅｃ）だけ待機する処理を行う。
次いで、出力情報セル４０は、微小磁性体リザーバ２０に保持されている情報を制御出力する（ステップＳ１０４）。具体的には、出力情報セル４０は、重み付け演算素子３０を介すことにより、各演算ノード２１，２１，…，２１に保持されている情報を線形結合し、線形結合によって得られる情報を出力情報として読み出す。更に入力情報が存在する場合、情報処理装置は、出力情報を読み出した後、ステップＳ１０２へ処理を戻して演算を継続する。
なお、図３のフローチャートではシーケンシャルな手順を示したが、ステップＳ１０１からＳ１０４のセットを複数用意し、これらのセットを非同期に実行してもよい。
以下、本実施の形態に係る情報処理装置の性能評価について開示する。
図４は性能評価で用いた微小磁性体リザーバ２０の構成を示す模式図である。図４に示す微小磁性体リザーバ２０は、１６×１６個の正方格子（ユニットセル２００）を有し、各正方格子の頂点に第１の微小磁性体２０１、各正方格子の中心に第２の微小磁性体２０２を配置した構成を有している。すなわち、図４の例では、１つのユニットセル２００内に２つの微小磁性体２０１，２０２が配置され、全体として、１６×１６×２個の演算ノード２１を有する微小磁性体リザーバ２０が構築されている。この例では、第１の微小磁性体２０１間に働く静磁気相互作用、第１の微小磁性体２０１と第２の微小磁性体２０２との間に働く静磁気相互作用、第２の微小磁性体２０２間に働く静磁気相互作用が演算に利用される。
図４に示す例において、１６ビットの情報を書き込む場合、１６×１６×２個の演算ノード２１のうち、例えば１６個の演算ノード２１（全ノードのうち３．１２５％の演算ノード２１）をランダムに選択して情報を書き込めばよい。
本実施の形態では、図４に示す微小磁性体リザーバ２０において、全ノードのうち３０％の演算ノード２１，２１，…，２１をランダムに選択し、ＮＡＲＭＡ１０（Nonlinear Auto-Regressive Moving Average 10）タスクを実行することにより、性能評価を行った。なお、各演算ノード２１における微小磁性体の磁化方向は、４次のRunge-Kutta法を用いて、Landau-Lifshitz方程式を解くことにより計算した。
発明者らによる計算結果に依れば、ＮＡＲＭＡ１０タスクにおける規格化されたエラー値（NRMSE : normalized root mean square error）は、０．８以下の値を示し、本実施の形態に係る微小磁性体リザーバ２０をリザーバコンピューティングに利用できることが分かった。
（実施の形態２）
実施の形態２では、実施の形態１とは演算ノード２１の配置が異なる微小磁性体リザーバ２０の検証結果について説明する。
図５は実施の形態２に係る微小磁性体リザーバ２０の構成を示す模式図である。図５に示す微小磁性体リザーバ２０は、１行目に１つの演算ノード２１、２行目に２つの演算ノード２１，２１、…といったように、Ｎ行目（Ｎは１～１０の整数）にＮ個の演算ノード２１，２１，…，２１を配置した構成を有している。なお、各演算ノード２１は、膜厚０．５ｎｍ、半径２０ｎｍの円柱状の微小磁性体により構成されており、隣り合う微小磁性体間の距離は１０ｎｍとした。また、本実施の形態では、行単位で演算ノード２１のグループ分けを行い、２行目、５行目、８行目に配置された演算ノード２１をグループ１、３行目、６行目、９行目に配置された演算ノード２１をグループ２、１行目、４行目、７行目、１０行目に配置された演算ノード２１をグループ３とした。
本実施の形態に係る情報処理装置は、入力情報セル１０を通じて、１行目に配置されている演算ノード２１に情報を書き込み、微小磁性体リザーバ２０において情報をシフトさせるために、各演算ノード２１を構成する微小磁性体の磁気異方性を変更した。なお、微小磁性体における磁気異方性には、形状磁気異方性、界面磁気異方性、結晶磁気異方性などが含まれる。情報処理装置は、例えば、磁性層（超薄膜強磁性層）と絶縁層（ポテンシャル障壁）とを積層した構造体に対して積層方向に電界を印加することより、微小磁性体の磁気異方性を変更することができる。
図６は磁気異方性の変更方法を説明するグラフである。図６に示すグラフは、横軸が時間を表し、縦軸が磁気異方性を表しており、グループ１～３の各グループに属する微小磁性体における磁気異方性の時間変化を示している。なお、グラフの煩雑さを避けるために、グループ２に属する微小磁性体の磁気異方性には＋２を加算し、グループ３に属する微小磁性体の磁気異方性には＋４を加算している。
時間０～１のタイムステップでは、全てのグループに属する微小磁性体の磁気異方性を「１」としている。この場合、１行目に書き込まれた情報は他の演算ノード２１へはシフトしない。ただし、各演算ノード２１間には磁気的相互作用が働くため、磁化の状態はその影響を受け、安定化する向きが決定される。
演算ノード２１，２１間の磁気的結合には起因しない磁気異方性を実効的に「０」に近づけることにより、その演算ノード２１の磁化の向きが周囲のノードとの磁気的相互作用の影響を受け、磁気異方性を変化させる前の状態から磁化の向きが大きく変化するようにする。
続く時間１～２のタイムステップでは、グループ３に属する微小磁性体の磁気異方性を「１」とした状態にて、グループ１及びグループ２に属する微小磁性体の磁気異方性を「０」としているので、１行目に書き込まれた情報は、グループ１に属する２行目の演算ノード２１及びグループ２属する３行目の演算ノード２１にシフトし得る。続く時間２～７のタイムステップについても同様であり、時間３～４のタイムステップで、グループ２に属する３行目の演算ノード２１が保持している情報は、グループ３に属する４行目の演算ノード２１へシフトし得る。また、時間５～６のタイムステップで、グループ３に属する４行目の演算ノード２１が保持している情報は、グループ１に属する５行目の演算ノード２１へシフトし得る。このように、タイムステップ毎に磁気異方性を変化させることにより、１行目の演算ノード２１に入力された情報を各演算ノード２１へ伝搬させることが可能となる。なお、磁気異方性の変更規則は図に示していないメモリに予め記憶されているものとし、情報処理装置は、メモリに記憶されている変更規則に従って、時間に対して周期的に磁気異方性を変化させるものとする。
また、時間０から時間６の状態に磁気異方性を変化させることにより、微小磁性体リザーバ２０を次の情報を入力可能な状態に遷移させる。
実施の形態２では、時間に依存した入力信号を用いてバイナリ演算を行うことにより、微小磁性体リザーバ２０の性能を評価した。バイナリ演算としては、論理積（ＡＮＤ）、論理和（ＯＲ）、及び排他的論理和（ＸＯＲ）の３種類を用いた。図７はバイナリ演算に用いるデータを説明する説明図である。入力には０又は１のバイナリ状態を用いる。バイナリ状態の入力は、入力ノード（図５に示す１行目の演算ノード２１）の磁化のＺ成分の極性を＋又は－に設定することで、０又は１に設定する。微小磁性体リザーバ２０が学習するバイナリ演算には、図７に示すＡ及びＢの値を用いる。すなわち、時間ｎstepにおいて入力された値をＡとしたとき、Ａからｎd ステップだけ過去に入力されたデータをＢとする。
実施の形態２では、微小磁性体リザーバ２０を異なる入力に対してバイナリ演算を行うように学習した場合における、入力の遅延量に対する演算エラーレートを求めた。
図８Ａ～図８Ｃは時間０～１の間の磁化状態のＺ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。図８Ａ～図８Ｃに示すグラフにおいて、横軸は入力Ｂに対する入力Ａの遅延量を表し、縦軸は微小磁性体リザーバ２０の学習に用いた飽和磁化により規格化された演算ノード２１の磁化の向きの有効数字を示している。図８Ａ～図８Ｃは、それぞれ論理積演算、論理和演算、及び排他的論理和演算のエラーレートを示している。論理積演算及び論理和演算では、遅延量が４未満ではエラーレートは略０となる。これに対し、排他的論理和演算では、比較的大きな有効数字で演算を学習可能であるが、それ以外ではエラーレートが概ね０．５以上となり、十分に学習できていないことを示している。
図９Ａ～図９Ｃは時間１～２の間の磁化状態のＸ成分を用いて学習した場合の各演算のエラーレートを示すグラフである。図９Ａ～図９Ｃに示すグラフにおいて、横軸は入力Ｂに対する入力Ａの遅延量を表し、縦軸は微小磁性体リザーバ２０の学習に用いた飽和磁化により規格化された演算ノード２１の磁化の向きの有効数字を示している。図９Ａ～図９Ｃは、それぞれ論理積演算、論理和演算、及び排他的論理和演算のエラーレートを示している。論理積演算及び論理和演算では、遅延量が４未満ではエラーレートは略０となる。また、排他的論理演算においても、遅延量が４未満ではエラーレートが低く抑えられており、時間１～２の間の磁化のＸ成分を用いた場合、最も少ない有効数字で演算を学習可能であることが分かった。
図１０は入力の遅延量に対するエラーレートを示すグラフである。図１０のグラフは、微小磁性体リザーバ２０を異なる時間の入力に対して論理積演算、論理和演算、及び排他的論理和演算の各演算を行うように学習した場合における、入力の遅延時間に対するエラーレートを示している。グラフの横軸は遅延量ｎd を示し、縦軸はエラーレートを示している。図１０のグラフから明らかなように、論理積演算、論理和演算、及び排他的論理和演算の各演算に対し、遅延量ｎd が３までのデータに対してエラーレートが略０になることが確認された。
以上の結果により、微小磁性体素子をリザーバコンピュータとして用いた場合、過去の３個分の情報を用いて、論理積演算、論理和演算、排他的論理和演算が可能であることが明らかとなった。また、学習した出力用マトリックスの極性を反転すれば、否定論理積演算（ＮＡＮＤ）、否定論理和演算（ＮＯＲ）、否定排他的論理和演算（ＸＮＯＲ）ゲートの実現も可能である。
なお、本実施の形態では、グループのなす列の方向に演算ノード２１が１つずつ増加するような配置を用いたが、列の方向に演算ノード２１を一定数だけ有する配置であってもよい。例えば、グループのなす列の方向に１つ又は２つの演算ノード２１を有する配置であってもよい。
また、本実施の形態では、演算ノード２１のグループを１０行分配置した構成を示したが、行数は１０行に限定されるものではない。例えば、行数を増加させることによって、演算可能な遅延量を増加させることが可能となる。
（実施の形態３）
実施の形態３では、各行に２個の演算ノード２１，２１を配置した微小磁性体リザーバ２０の検証結果について説明する。
図１１は実施の形態３に係る微小磁性体リザーバ２０の構成を示す模式図である。図１１に示す微小磁性体リザーバ２０は、１行目～Ｎ行目（図１１に示す例ではＮ＝１０）の各行に２個の演算ノード２１，２１を配置した構成を有している。なお、各演算ノード２１は、膜厚０．５ｎｍ、半径２０ｎｍの円柱状の微小磁性体により構成されており、隣り合う微小磁性体間の距離は１０ｎｍとした。また、本実施の形態では、行単位で演算ノード２１のグループ分けを行い、２行目、５行目、８行目に配置された演算ノード２１をグループ１、３行目、６行目、９行目に配置された演算ノード２１をグループ２、１行目、４行目、７行目、１０行目に配置された演算ノード２１をグループ３とした。
本実施の形態に係る情報処理装置は、入力情報セル１０を通じて、１行目に配置されている一方の演算ノード２１に情報を書き込み、微小磁性体リザーバ２０において情報をシフトさせるために、各演算ノード２１を構成する微小磁性体の磁気異方性を変更した。なお、微小磁性体における磁気異方性には、形状磁気異方性、界面磁気異方性、結晶磁気異方性などが含まれる。情報処理装置は、例えば、磁性層（超薄膜強磁性層）と絶縁層（ポテンシャル障壁）とを積層した構造体に対して積層方向に電界を印加することより、微小磁性体の磁気異方性を変更することができる。
図１２は磁気異方性の変更方法を説明する説明図である。図１２において、黒丸は微小磁性体の磁気異方性を「１」に調整した状態（Ｋu ≠０の状態）、白丸は微小磁性体の磁気異方性を「０」に調整した状態（Ｋu ＝０の状態）を表している。磁気異方性の調整は、例えば微小磁性体に対して電圧を印加することにより実施される。白丸で示す微小磁性体は、本実施の形態では磁気異方性を「０」に調整した状態を示しているが、磁気異方性は完全にゼロである必要はなく、ゼロに近い値（Ｋｕ≒０）であってもよい。
Ｓｔａｇｅ０で表されるタイムステップでは、全てのグループに属する微小磁性体の磁気異方性を「１」としている。この場合、演算ノード２１に書き込まれた情報は他の演算ノード２１へはシフトしない。ただし、各演算ノード２１間には磁気的相互作用が働くため、磁化の状態はその影響を受け、安定化する向きが決定される。
続くＳｔａｇｅ１で表されるタイムステップでは、グループ３に属する微小磁性体の磁気異方性を「１」とした状態にて、グループ１及びグループ２に属する微小磁性体の磁気異方性を「０」としているので、１行目に書き込まれた情報は、グループ１に属する２行目の演算ノード２１及びグループ２属する３行目の演算ノード２１にシフトし得る。続くＳｔａｇｅ２～６で表されるタイムステップについても同様であり、Ｓｔａｇｅ４のタイムステップで、グループ２に属する３行目の演算ノード２１が保持している情報は、グループ３に属する４行目の演算ノード２１へシフトし得る。また、Ｓｔａｇｅ５のタイムステップで、グループ３に属する４行目の演算ノード２１が保持している情報は、グループ１に属する５行目の演算ノード２１へシフトし得る。このように、タイムステップ毎に磁気異方性を変化させることにより、１行目の演算ノード２１に入力された情報を各演算ノード２１へ伝搬させることが可能となる。なお、磁気異方性の変更規則は図に示していないメモリに予め記憶されているものとし、情報処理装置は、メモリに記憶されている変更規則に従って、時間に対して周期的に磁気異方性を変化させるものとする。
また、Ｓｔａｇｅ０からＳｔａｇｅ６の状態に磁気異方性を変化させることにより、微小磁性体リザーバ２０を次の情報が入力可能な状態に遷移させる。
実施の形態３では、時間に依存した入力信号を用いてバイナリ演算を行うことにより、微小磁性体リザーバ２０の性能を評価した。具体的には、現在の入力ｕk と、ｎd 個前の入力ｕk-ndとに対する排他的論理和ＸＯＲ（ｕk ，ｕk-nd）を教師関数としてトレーニングし、トレーニング時とは異なる入力を用いた場合における教師データの再現性を確認することによって、微小磁性体リザーバ２０の性能を評価した。
微小磁性体リザーバ２０のトレーニングにおいて、各タイムステップにおけるリザーバの状態Ｍk から教師データｙk （＝ＸＯＲ（ｕk ，ｕk-nd））に最も近い出力ｏk を得る重み付け行列Ｗを最小二乗法を用いて算出した。本実施の形態では、７４２タイプステップ分のトレーニングデータを用いた。
トレーニング時とは異なる入力を使用し、トレーニング済みの重み付け行列Ｗにより得られる出力をバイナリ化して教師データと比較した。本実施の形態では、２４７タイムステップ分のテスト用データを用いた。
図１３Ａ及び図１３Ｂは教師データとの比較結果を示す図である。図１３Ａは、事前トレーニングにより得られる重み付け行列Ｗを使用し、トレーニング時とは異なる新たなデータを入力した場合の微小磁性体リザーバ２０の応答から得られる出力データを示している。縦軸は「０」又は「１」の状態を表し、横軸は時間（ステップ）を表している。なお、この例では、現在の入力ｕk と、２個前（すなわちｎd ＝２）の入力ｕk-2とに対する排他的論理和ＸＯＲ（ｕk ，ｕk-2）を教師関数としてトレーニングした結果を示している。図１３Ａに示す出力結果は、図１３Ｂに示す教師データに完全に一致していることが分かる。
図１４は磁化状態のＸ成分を用いて学習した場合の排他的論路演算におけるエラーレートを示すグラフである。図１４に示すグラフにおいて、横軸は遅延量ｎd を表し、縦軸は微小磁性体リザーバ２０の学習に用いた飽和磁化により規格化された演算ノード２１の磁化の向きの有効数字を示している。図１４に示すグラフからは、有効数字３桁以上で遅延３までのＸＯＲ関数として動作していることが分かる。
以上のように、本実施の形態では、微小磁性体素子をリザーバコンピュータとして用いた場合、過去の３個分の情報を用いて、排他的論理和演算が可能であることが明らかとなった。また、学習した出力用マトリックスの極性を反転すれば、否定排他的論理和演算（ＸＮＯＲ）ゲートの実現も可能である。
なお、本実施の形態では、演算ノード２１のグループを１０行分配置した構成を示したが、行数は１０行に限定されるものではない。例えば、行数を増加させることによって、演算可能な遅延量を増加させることが可能となる。
（実施の形態４）
実施の形態４では、各行に１個の演算ノード２１を配置した微小磁性体リザーバ２０の構成について説明する。
図１５は実施の形態４に係る微小磁性体リザーバ２０の構成を示す模式図である。図１５に示す微小磁性体リザーバ２０は、１行目～Ｎ行目（図１５に示す例ではＮ＝１０）の各行に１個の演算ノード２１を配置した構成を有している。なお、各演算ノード２１は、膜厚０．５ｎｍ、半径２０ｎｍの円柱状の微小磁性体により構成されており、隣り合う微小磁性体間の距離は１０ｎｍとした。また、本実施の形態では、行単位で演算ノード２１のグループ分けを行い、２行目、５行目、８行目に配置された演算ノード２１をグループ１、３行目、６行目、９行目に配置された演算ノード２１をグループ２、１行目、４行目、７行目、１０行目に配置された演算ノード２１をグループ３とした。
発明者らの検討に依れば、図１５に示すように各行に１個の演算ノード２１を配置した微小磁性体リザーバ２０であっても、排他的論理和等の演算ゲートとして機能させることができることが分かった。
（実施の形態５）
実施の形態１～４では、演算ノード２１を格子状に配置した微小磁性体リザーバ２０の構成について説明したが、演算ノード２１は必ずしも周期的に配置される必要はなく、同一平面内若しくは空間内にランダムに配置されてもよい。
実施の形態５では、演算ノード２１をランダムに配置した微小磁性体リザーバ２０の構成について説明する。
図１６は実施の形態５に係る微小磁性体リザーバ２０の模式的平面図、図１７はその模式的断面図である。図１６に示す微小磁性体リザーバ２０は、複数の演算ノード２１，２１，…，２１が配置される第１層２０Ａと、情報を入力するためのノード２２が配置される第２層２０Ｂとを有する。第２層２０Ｂは、例えば第１層２０Ａの上側に隣接して配置される。各ノード２１，２２を構成する微小磁性体は、Ｎｉ－Ｆｅ系合金、Ｎｉ－Ｆｅ－Ｃｏ系合金、Ｃｏ－Ｆｅ系合金などの合金により形成される。各ノード２１，２２を構成する微小磁性体は、例えば楕円柱形状をなしているが、これに限定されるものではない。例えば、各ノード２１，２２を構成する微小磁性体は、厚み方向と直交する断面の形状が円形、長方形、角が丸められた長方形、２つの円を僅かに重ねた形状であってもよく、回転楕円体などの形状であってもよい。
第１層２０Ａは例えば６×５個のユニットセルを有する。各ユニットセルには、１又は複数個の演算ノード２１，２１，…，２１がランダムに配置される。演算ノード２１の個数及び配置は、ユニット間で相違してもよく、同一であってもよい。
第２層２０Ｂには、１又は複数のノード２２，２２，…，２２が形成される。ノード２２は、平面視において演算ノード２１，２１，…，２１の１つと重なるように形成されてもよく、重ならないように形成されてもよい。
第２層２０Ｂのノード２２に書き込まれた情報は、実施の形態１～実施の形態５と同様に、磁気的相互作用の影響を受けて、第１層２０Ａの演算ノード２１に伝搬する。また、演算ノード２１，２１，…，２１を構成する各微小磁性体の磁化方向は、周囲に配置された微小磁性体からの静磁気相互作用の影響を受けて、自律的に演算結果を表す状態へ遷移する。
以上のように、実施の形態５では、演算ノード２１を含む層と、情報が書き込まれるべきノード２２を含む層とを個別に製造することができるので、製造容易性を高めることができる。
以上のように、本実施の形態に係る情報処理装置では、磁性体がもつ物理的性質を直接的に演算に用いているので、電気信号又は光を用いた従来のリザーバ素子と比較し、小型化及び低消費電力化を実現することができる。本実施の形態に係る情報処理装置の適応分野の１つは、近年急速に需要が高まっている機械学習分野である。そのため、その応用分野は多岐にわたる。一例として、モバイルデバイスにおけるスタンドアロンな機械学習が可能となるため、この一例だけに注目しても技術的及び経済的な効果は大きい。
今回開示された実施の形態は、全ての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。
１０ 入力情報セル（ノード選択部、情報書込部）
２０ 微小磁性体リザーバ
２１ 演算ノード
３０ 重み付け演算素子（学習部）
４０ 出力情報セル（情報読出部）

Claims (10)

  1. 夫々が磁性体により構成された複数のノードを含み、各ノードが少なくとも１つの他のノードに磁気的に結合されている磁性体リザーバと、
    該磁性体リザーバに含まれる複数のノードから、情報を書き込むべき１又は複数のノードを選択するノード選択部と、
    選択した１又は複数のノードに情報を書き込む情報書込部と、
    前記情報を書き込んだ後に、前記磁性体リザーバに含まれる各ノードの線形結合によって得られる情報を読み出す情報読出部と
    を備える情報処理装置。
  2. 前記ノード選択部は、前記磁性体リザーバに含まれる複数のノードから、２つ以上のノードをランダムに選択する
    請求項１に記載の情報処理装置。
  3. 前記１又は複数のノードに書き込んだ情報に対して理想的な出力を示す教師情報を再現するように、前記線形結合における線形重みを学習する学習部
    を備える請求項１又は請求項２に記載の情報処理装置。
  4. 前記磁性体は、１つの磁化容易軸を有しており、
    前記情報書込部は、前記ノード選択部により選択されたノードを構成する磁性体の磁化方向を制御することにより、情報の書き込みを行う
    請求項１から請求項３の何れか１つに記載の情報処理装置。
  5. 前記情報を書き込んだ後、各ノードを構成する磁性体の磁化方向は、前記磁性体リザーバに含まれる他のノードを構成する磁性体の磁化方向に応じて自律的に定まる
    請求項４に記載の情報処理装置。
  6. 前記ノードは、矩形格子、三角格子、六角格子、又は菱形格子の格子点上に配置されている
    請求項１から請求項４の何れか１つに記載の情報処理装置。
  7. 前記ノードは、非周期的に配置されている
    請求項１から請求項４の何れか１つに記載の情報処理装置。
  8. 前記磁性体リザーバは、情報を書き込むべきノードを含む第１層と、前記ノードに書き込まれた情報に応じて、磁化方向が自律的に定まる磁性体により構成された複数のノードを含む第２層とを備える
    請求項１から請求項７の何れか１つに記載の情報処理装置。
  9. 各ノードの磁気異方性を、設定された規則に従って、時間に対して周期的に変化させる
    請求項１から請求項８の何れか１つに記載の情報処理装置。
  10. 夫々が磁性体により構成された複数のノードを含み、各ノードが少なくとも１つの他のノードに磁気的に結合されている磁性体リザーバに対して、情報を書き込むべき1又は複数のノードを選択し、
    選択した１又は複数のノードに情報を書き込み、
    前記情報を書き込んだ後に、前記磁性体リザーバに含まれる各ノードの線形結合によって得られる情報を読み出す
    情報処理方法。
JP2019518815A 2017-05-15 2018-05-15 情報処理装置及び情報処理方法 Active JP7108987B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2017096692 2017-05-15
JP2017096692 2017-05-15
JP2018010013 2018-01-24
JP2018010013 2018-01-24
PCT/JP2018/018809 WO2018212201A1 (ja) 2017-05-15 2018-05-15 情報処理装置及び情報処理方法

Publications (2)

Publication Number Publication Date
JPWO2018212201A1 JPWO2018212201A1 (ja) 2020-03-12
JP7108987B2 true JP7108987B2 (ja) 2022-07-29

Family

ID=64274444

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019518815A Active JP7108987B2 (ja) 2017-05-15 2018-05-15 情報処理装置及び情報処理方法

Country Status (2)

Country Link
JP (1) JP7108987B2 (ja)
WO (1) WO2018212201A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7109046B2 (ja) * 2018-01-31 2022-07-29 国立大学法人 東京大学 情報処理デバイス
WO2020053988A1 (ja) 2018-09-12 2020-03-19 Tdk株式会社 リザボア素子及びニューロモルフィック素子
US20210351232A1 (en) * 2018-11-21 2021-11-11 Tdk Corporation Reservoir element and neuromorphic element
US12033062B2 (en) * 2018-11-21 2024-07-09 Tdk Corporation Reservoir element and neuromorphic element
US12063872B2 (en) * 2019-04-08 2024-08-13 Tdk Corporation Magnetic element, magnetic memory, reservoir element, recognizer, and method for manufacturing magnetic element
JP6866917B2 (ja) * 2019-11-25 2021-04-28 Tdk株式会社 リザボア素子の動作方法
EP4134882A4 (en) 2020-04-08 2023-05-10 Fujitsu Limited INFORMATION PROCESSING SYSTEM, INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM
JPWO2022163782A1 (ja) * 2021-01-29 2022-08-04

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014203038A1 (en) 2013-06-19 2014-12-24 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for implementing reservoir computing in magnetic resonance imaging device using elastography techniques
US20170116515A1 (en) 2015-10-26 2017-04-27 International Business Machines Corporation Tunable optical neuromorphic network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014203038A1 (en) 2013-06-19 2014-12-24 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for implementing reservoir computing in magnetic resonance imaging device using elastography techniques
US20170116515A1 (en) 2015-10-26 2017-04-27 International Business Machines Corporation Tunable optical neuromorphic network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
楠川 裕志 ほか，Ni-Fe/SiO2/Ni-Fe積層膜からなるNAND/NOR論理演算素子の検討，２０１６年（第１５９回）秋期講演大会 日本金属学会講演概要集，社団法人日本金属学会，2016年09月07日，p.303，ISSN 1342-5730

Also Published As

Publication number Publication date
JPWO2018212201A1 (ja) 2020-03-12
WO2018212201A1 (ja) 2018-11-22

Similar Documents

Publication Publication Date Title
JP7108987B2 (ja) 情報処理装置及び情報処理方法
Wang et al. Spintronic leaky-integrate-fire spiking neurons with self-reset and winner-takes-all for neuromorphic computing
Kim et al. Emerging memory technologies for neuromorphic computing
Lequeux et al. A magnetic synapse: multilevel spin-torque memristor with perpendicular anisotropy
Yang et al. Integrated neuromorphic computing networks by artificial spin synapses and spin neurons
Vourkas et al. Memristor-based nanoelectronic computing circuits and architectures
Chen et al. Magnetic skyrmion as a spintronic deep learning spiking neuron processor
US20170330070A1 (en) Spin orbit torque based electronic neuron
Wang et al. Fundamental physics and applications of skyrmions: A review
Wang et al. Memristor-based synapse design and training scheme for neuromorphic computing architecture
Chen et al. Nanoscale room-temperature multilayer skyrmionic synapse for deep spiking neural networks
US11514301B2 (en) Magnetic domain wall drift for an artificial leaky integrate-and-fire neuron
Ascoli et al. Robust simulation of a TaO memristor model
Sengupta et al. Stochastic inference and learning enabled by magnetic tunnel junctions
Hu et al. Magnetic skyrmions and domain walls for logical and neuromorphic computing
CN108154226B (zh) 一种使用模拟计算的神经网络芯片
CN108154227B (zh) 一种使用模拟计算的神经网络芯片
Shim et al. Ising spin model using spin-hall effect (she) induced magnetization reversal in magnetic-tunnel-junction
US11977970B2 (en) Spintronic computing architecture and method
Staudigl et al. Fault injection in native logic-in-memory computation on neuromorphic hardware
Jin et al. Granular Magnetization Switching in Pt/Co/Ti Structure with HfOx Insertion for In-Memory Computing Applications
Blachowicz et al. Domain wall nucleation, propagation and annihilation in coupled bent ferromagnetic nanofibers with rotating local input fields
Singh Mem-elements based Neuromorphic Hardware for Neural Network Application
Majumdar Embracing Imperfections: Hardware-compatible Neural Networks for Neuromorphic Computing
Vatajelu et al. Resistive and spintronic RAMs: device, simulation, and applications

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20191024

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210506

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220628

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220706

R150 Certificate of patent or registration of utility model

Ref document number: 7108987

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150