Publication

Neuromorphic Computing Using High Magnetoresistance Ratios in Co <sub>2</sub> MnSi/MgO/Co <sub>2</sub> MnSi Magnetic Tunnel Junctions

2026

Résumé

Neuromorphic computing aims to achieve energy-efficient parallel processing by emulating the human brain. Computation-in-memory (CiM) using magnetic tunnel junction (MTJ) is a promising approach due to its non-volatility, high endurance, and CMOS compatibility. Co 2 MnSi/MgO/Co 2 MnSi MTJs show high tunneling magnetoresistance (TMR) ratios. We design and analyze binary neural networks (BNNs) on MTJ-CiM circuits by comparing time- and voltage-difference methods using circuit simulations. Design guidelines are derived from resistance scaling, delay, and TMR-dependent margins. To counter binarization accuracy loss of the BNN, we apply gradient descent with binary weights with a scheduling scheme and achieve 94% accuracy on the MNIST dataset. Using higher TMR improves robustness against MTJ variability and limits reductions in accuracy to

Source officielle

https://infoscience.epfl.ch/entities/publication/1afa83fa-112e-4ab5-8e2f-d24a88139efa

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2026

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/1afa83fa-112e-4ab5-8e2f-d24a88139efa

À propos de ce résultat

Concepts associés (32)

Neuromorphic engineering

Neuromorphic computing is an approach to computing that is inspired by the structure and function of the human brain. A neuromorphic computer/chip is any device that uses physical artificial neurons to do computations. In recent times, the term neuromorphic has been used to describe analog, digital, mixed-mode analog/digital VLSI, and software systems that implement models of neural systems (for perception, motor control, or multisensory integration).

Informatique quantique

L'informatique quantique est le sous-domaine de l'informatique qui traite des calculateurs quantiques et des associés. La notion s'oppose à celle d'informatique dite « classique » n'utilisant que des phénomènes de physique classique, notamment de l'électricité (exemple du transistor) ou de mécanique classique (exemple historique de la machine analytique). En effet, l'informatique quantique utilise également des phénomènes de la mécanique quantique, à savoir l'intrication quantique et la superposition.

Neurosciences computationnelles

Les neurosciences computationnelles (NSC) sont un champ de recherche des neurosciences qui s'applique à découvrir les principes computationnels des fonctions cérébrales et de l'activité neuronale, c'est-à-dire des algorithmes génériques qui permettent de comprendre l'implémentation dans notre système nerveux central du traitement de l'information associé à nos fonctions cognitives. Ce but a été défini en premier lieu par David Marr dans une série d'articles fondateurs.

Afficher plus

Publications associées (32)

Afficher plus

Neuromorphic Computing Using High Magnetoresistance Ratios in Co <sub>2</sub> MnSi/MgO/Co <sub>2</sub> MnSi Magnetic Tunnel Junctions

Chattez avec Graph Search

Weaving Intelligence: Thermally Drawn Multimaterial Fibers Toward AI‐Enabled Smart Textiles

Training Dynamics of Gradient Methods on Simple Neural Architectures

Artificial intelligence is reshaping neuroscience across scales