[发明专利]三态自旋电子器件、存储单元、存储阵列及读写电路

说明书

本公开提供了一种三态自旋电子器件、存储单元、阵列及读写电路，其三态自旋电子器件，自下而上包括：底电极、磁隧道结和顶电极；磁隧道结包括：自旋轨道耦合层、铁磁自由层、势垒隧穿层和铁磁参考层、三个局域磁畴壁钉扎中心和磁畴壁成核中心；调制反对称交换作用，磁畴壁钉扎中心嵌设在重金属与铁磁自由层界面；磁畴壁成核中心设置在铁磁自由层的两端；电流脉冲流经自旋轨道耦合层产生自旋流注入铁磁自由层，全电场调控下自旋轨道转矩有效场驱动畴壁移动位移，其位移可通过电流的脉冲数、脉宽以及方向调制，具有CMOS工艺兼容性和高可靠性，本公开同时提供了三态读写电路及其三值网络计算应用方案，实现了三值自旋电子器件的高性能GXNOR运算。

技术领域

本公开涉及集成电路领域，尤其涉及一种三态自旋电子器件、存储单元、存储阵列及读写电路。

背景技术

神经网络架构因其在图像识别、语义识别以及分类任务等方面的独特优势，而在学术界与工业界掀起研究热潮。然而传统的卷积神经网络的训练与识别过程需要大量的浮点、双精度的卷积操作，在一方面大量的数据对硬件的存储容量提出了越来越高的要求，另一方面，卷积操作中使用的乘加运算，对运算的能耗与时长都提出了很高的要求，使得神经网络训练时长长达数日甚至数周。

为了优化传统卷积神经网络的问题，同时简化运算步骤以及保证训练与识别精度，研究人员提出二值化神经网络(BNN)以及(TNN)的方式，即将数据转化为{-1,1}或者是{-1,0,1}进行训练以及推理，在优化存储空间的同时，利用XNOR或是GXNOR操作，将原本的浮点数乘加运算转化为简单的布尔逻辑以及移位操作，增加训练与推理的效率。而相比BNN而言，TNN具有更高的信息容量，且不增加运算的复杂度，具有较大的应用潜力，基于三值神经网络运算的硬件鲜有报道。

发明内容

(一)要解决的技术问题

本公开提供了一种三态自旋电子器件、存储单元、存储阵列及读写电路，以解决以上所提出的技术问题。

(二)技术方案

根据本公开的一个方面，提供了一种三态自旋电子器件，自下而上包括：底电极、磁隧道结和顶电极；

所述磁隧道结自下而上包括：自旋轨道耦合层、铁磁自由层、势垒隧穿层和铁磁参考层；所述磁隧道结还包括：

三个局域磁畴壁钉扎中心，嵌设在所述自旋轨道耦合层，三个所述局域磁畴壁钉扎中心分别与所述铁磁自由层相接触，所述铁磁自由层上形成第一钉扎区域、第二钉扎区域和第三钉扎区域；以及

磁畴壁成核中心，设置在所述铁磁自由层的两端，各项异性常数为7-9×10⁵J/m³；所述铁磁自由层上形成第一成核区域和第二成核区域；

电流脉冲注入所述自旋轨道耦合层，产生自旋流驱动所述铁磁自由层内的磁畴壁移动，进行阻态切换。

在本公开的一些实施例中，所述铁磁自由层和所述铁磁参考层的材料为CoFeB、Co₂FeAl和Co中任一种；所述自旋轨道耦合层的材料为W和/或Ta；所述局域磁畴壁钉扎中心和所述磁畴壁成核中心的材料为Pt和/或Ir。

在本公开的一些实施例中，所述磁畴壁移动方向与所述电流脉冲注入的方向一致。

在本公开的一些实施例中，所示底电极包括：

第一电极，与所述自旋轨道耦合层的第一端连接；以及

第二电极；与所述自旋轨道耦合层的第二端连接；

所述自旋轨道耦合层的第一端和所述自旋轨道耦合层的第二端相对设置。

根据本公开的一个方面，还提供了一种存储单元，包括：

如前所述的三态自旋电子器件；