科研成果

借鉴人脑工作原理的神经形态计算实现存储与计算融合，有望打破冯诺依曼架构瓶颈，极大提高计算并行度与能效，突破人工智能算力与功耗瓶颈。脉冲神经网络（SNN）是实现神经形态计算的关键，但基于传统半导体器件的芯片面临面积、功耗与性能诸多问题，离人脑还有巨大差距。近年来，新兴自旋电子器件得到业界的广泛关注，尤其是斯格明子器件因其具有与生物离子相近的纳米尺寸和输运特性，成为新型神经形态计算器件的研究热点。基于此，从基础应用和科学前沿两方面分别开展研究：

l 科学前沿-基于磁性斯格明子的类脑计算研究：为了模拟人脑神经信息的表示和处理机制，基于脉冲神经网络的神经形态计算应运而生，并且成为类脑计算的一个重要研究领域。但是，受限于传统器件物理偏差大、工作电流高及存储密度低等实际问题，神经形态计算尚处于开放性研究阶段。斯格明子有望成为脉冲神经网络的基础元件，用来构造神经形态电路。但是，受限于器件制备及斯格明子检测等原因，基于磁斯格明子的类脑计算技术尚处于起步阶段，基于斯格明子的脉冲神经元的结构设计尚未突破，基于斯格明子的脑机接口研究尚未实现。这部分研究得到了国家自然科学基金青年项目的支持。

l 基础应用-基于自旋电子器件的存算一体电路研究：针对当前基于自旋电子器件的存算一体技术中所存在的器件集成度低、尚未构建完备的逻辑计算功能集、无相关电路与计算架构支持等问题，为突破冯诺依曼计算架构瓶颈，开展基于自旋电子器件的存算一体电路研究。该研究顺应国家集成电路发展战略，从器件制备、电路设计、计算架构三个层面共同构建一个高效的自旋存算一体技术方案，具有重要的科研价值和广阔的应用前景。这部分工作得到了国家自然科学基金面上项目和北京市自然科学基金面上项目的支持。目前累计合作发表SCI论文20余篇，已授权中国发明专利11项，美国专利6项。