综述：神经形态计算自旋电子学

长期以来，人脑一直给研究者们提供着灵感，因为它从某种程度上以有效的生物能量支持我们的计算能力，并且以神经元作为基础激发单位。受人脑的低功耗和快速计算特点启发的神经形态芯片在计算界已经不是一个新鲜主题了。由于复杂算法和架构的快速发展，散热已经成为了一个重大挑战。神经形态计算或许会是超大规模机器和人工智能应用（例如自动驾驶）未来的基石。神经形态芯片的最初思想可以追溯到加州理工学院的 Carver Mead 教授在 1990 年发表的一篇论文。Mead 在论文中提出，模拟芯片能够模仿人脑神经元和突触的活动，与模拟芯片的二进制本质不同，模拟芯片是一种输出可以变化的芯片。模仿人脑活动的意义在于我们可以通过它们来学习。传统的芯片在每一次传输中都会保持固定的特定电压。正如 Mead 在 2013 年的对话中提到的一样，当遇到在今天的机器学习任务中被使用的复杂算法和架构的时候，散热就成了芯片行业中最大的挑战。

相反，神经形态芯片只需要一个低水平的能耗，因为它的类生物本质。人脑非常节能的一个原因就是，神经冲动在传递的过程中只会放掉一小部分的电量。只有当积累的电量超过一个设定的界限时，信号才会通过。这意味着神经形态芯片是事件驱动的，并且只有在需要的时候才会运作，不同的运行机制需要不同的硬件基础，类似于人脑处理信息方式的神经形态计算需要与基于冯诺依曼架构不同的计算硬件。

神经形态计算使用灵感来自大脑的原理来设计电路，以比传统计算机更高的功率、效率执行计算任务。但是，使用传统电子设备创建人工神经元和突触的方法目前受到这些组件的能量和面积要求的限制。利用电子的磁性和电学性质的自旋电子纳米器件可以提高能量效率并减小计算电路的面积，并且磁性隧道结因为其具有的丰富动力学行为以及与CMOS工艺的兼容性而倍受关注。在这里，我们回顾了用于神经形态计算的自旋电子设备的发展。我们研究了磁性隧道结如何充当突触和神经元，以及磁性纹理（如畴壁和磁斯格明子）如何充当神经元。我们还将探讨基于自旋电子学的神经形态计算任务的实现，例如联想记忆中的模式识别，并讨论在扩展这些系统时所面临的挑战，提出神经形态计算自旋电子学面临的主要挑战是：算法的硬件实现、低功耗以及器件的大规模集成。

Neuromorphic computing uses brain-inspired principles to design circuits that can perform computational tasks with superior power efficiency to conventional computers. Approaches that use traditional electronic devices to create artificial neurons and synapses are, however, currently limited by the energy and area requirements of these components. Spintronic nanodevices, which exploit both the magnetic and electrical properties of electrons, can increase the energy efficiency and decrease the area of these circuits, and magnetic tunnel junctions are of particular interest as neuromorphic computing elements because they are compatible with standard integrated circuits and can support multiple functionalities. Here, we review the development of spintronic devices for neuromorphic computing. We examine how magnetic tunnel junctions can serve as synapses and neurons, and how magnetic textures, such as domain walls and skyrmions, can function as neurons. We also explore spintronicsbased implementations of neuromorphic computing tasks, such as pattern recognition in an associative memory, and discuss the challenges that exist in scaling up these systems.