AI 硬件与加速器
突破级
有讲解视频
收录解读
这篇 Nature Communications 论文解决 analog/spintronic neuromorphic hardware 的关键训练瓶颈：设备行为复杂且有变异性，依赖过度简化软件模型会导致训练和真实硬件脱节。
作者证明 magnetic tunnel junctions 可以生成可调且复杂的非线性响应，并基于此实现 analog finite-difference 方法，让芯片上神经网络产生接近数值梯度的 on-device gradients。
论文实验实现了 magnetic tunnel junction-based neural network 的 device-in-the-loop backpropagation，即使存在明显设备变异，仍达到 93.3% 分类准确率，并通过模拟展示可扩展到更深架构。
它值得正式收录，因为它在 AI hardware 方向提供了可训练模拟自旋电子神经网络的硬件-学习算法协同路径，直接影响低功耗 AI 计算设计空间。