首页
登录
注册
下载:
-
磁斯格明子是一种受拓扑保护的涡旋状自旋结构, 凭借其高拓扑稳定性、小尺寸及低驱动电流密度等优势, 被视为构建下一代非易失性存储器和逻辑器件的理想信息载体[1–4], 在自旋纳米振荡器[5]、人工突触[6]、随机数生成器[7]以及低功耗磁振子器件[8]等领域中具有广阔的应用前景. 然而, 传统铁磁(FM)体系中的斯格明子面临零场稳定性差以及斯格明子霍尔效应(skyrmion Hall effect, SkHE)引起的输运偏置等严峻挑战. 为此, 人工合成反铁磁(synthetic antiferromagnetic, SAF)体系被提出. 在该体系中, 上下层自旋的反平行排列使马格努斯力相互抵消, 从而有效抑制了SkHE, 实现了直线、高速且稳定的传输, 克服了传统铁磁体系中斯格明子易撞击轨道边缘湮灭的瓶颈[9–15].
推动斯格明子应用的核心前提在于对其生成与湮灭的精确调控. 目前, 斯格明子的产生手段涵盖了极化电流驱动[13]、外磁场辅助[14,16]、激光脉冲[17]或畴壁变形[18]等. 为进一步突破功耗瓶颈, 电压控制磁各向异性(voltage-controlled magnetic anisotropy, VCMA)效应已被广泛应用于SAF斯格明子的低功耗调控[19–23]. 此外, 斯格明子在动态操纵和演化过程中容易在局域约束或外部作用下发生自旋结构的形变[24], 研究局部场环境下的动态演化规律显得尤为重要. 然而, 现有研究多聚焦于VCMA效应对隧道结自由层的全局调控, 关于尺寸依赖的局域VCMA效应(即局部垂直磁各向异性常数Ku的调控)对斯格明子的动态演化影响仍有待深入探索[25].
本文研究了基于电极直径尺寸的局域VCMA效应对SAF斯格明子产生与湮灭机制的影响. 研究表明, 随着电极尺寸减小, 诱导斯格明子生成的电压逐渐升高, 且Ku的调控窗口相应拓宽. 在相同的VCMA调控下, 大、小尺寸器件诱导形成的斯格明子极性发生反转. 这是由于在不同尺寸电压调控过程中, Eex与EDMI之间的能量竞争导致系统形成了不同的磁结构. 基于斯格明子的尺寸依赖特性, 利用不同尺寸器件的非易失性与多态切换机制, 本文构建了一种集高稳定性、高集成度及超低功耗优势的神经形态计算系统[26,27].
-
本文采用微磁模拟软件OOMMF构建了如图1(a)所示的圆柱形磁隧道结(MTJ)模型. MTJ的自由层采用合成反铁磁(SAF)结构, SAF自由层具体自下而上为: 底部铁磁层(bottom FM)/非磁性间隔层(NM)/顶部铁磁层(top FM). 其中, 顶部与底部铁磁层均设定为CoFeB材料, 厚度均为1 nm, 直径固定为100 nm, 饱和磁化强度Ms设定为1×106 A/m. 对于非磁性间隔层(如Ru, W或Ta), 厚度设定为1 nm, 直径固定为100 nm, 饱和磁化强度Ms设定为0 A/m. 基于非磁性间隔层的厚度与材料特性, 模型中顶部与底部铁磁层之间的反铁磁层间交换耦合常数Jex设定为–2×10–4 J/m2, 物理上, 其代表跨越NM层的Ruderman-Kittel-Kasuya-Yosida (RKKY)相互作用的面能量密度. 在我们的模拟中, 负号严格定义了顶部与底部铁磁层之间的反铁磁耦合性质. 初始垂直磁各向异性常数Ku均设定为0.8×106 J/m3; 交换相互作用常数Aex均设定为15×10–12 J/m; 界面Dzyaloshinskii-Moriya相互作用(DMI)强度DDMI设定为2.3×10–3 J/m2; Gilbert阻尼系数(α)设定为0.1. 系统在施加任何调控电压或改变Ku之前, 系统顶部铁磁层的初始自旋配置被统一初始化为完全垂直向上的稳态铁磁态(+z方向). 模拟计算单元尺寸设定为2 nm×2 nm×1 nm, 模拟过程中Ku及电极直径D设为可变参数[21].
-
本文中SAF自由层的直径固定为100 nm, 而顶部电极直径D在50—100 nm范围内可调. 这一设计将自由层在物理空间上明确划分为两个区域: 受顶部电极覆盖的“调控区”与外围未被覆盖的环形“非调控区”. 偏置电压垂直施加于顶部电极与非磁性间隔层之间, 其产生的电场直接作用于MgO隧穿层与顶部铁磁层的界面处. 在调控机制上, 施加负偏压可降低界面的垂直磁各向异性常数(Ku)诱导自旋向面内偏转进而生成斯格明子; 施加正偏压则提升Ku用于增强磁各向异性, 促使斯格明子湮灭回归铁磁态. VCMA效应的具体量化公式[28–31]:
其中,
$ \xi $ 为VCMA系数, 本模拟取典型值100 fJ·(V·m); tMgO为MgO隧穿层厚度, tFM为顶部铁磁层厚度, 均设定为1 nm. 基于此参数映射关系, 调控区内施加±1 V的偏置电压对应±0.1×106 J/m3的Ku变化量(图2).图1(b)展示了外加偏压下器件内部的局域电场强度分布. 可以清晰地观察到, 分布于MgO层中的电场高度集中于顶部电极的正下方, 且在该覆盖区域内呈现出高度均匀分布的特征. 这种空间上高度一致的电场分布, 确保了VCMA效应对该区域内顶部铁磁层Ku的调制是均匀且同步的, 从而在调控区与非调控区的交界处精确地塑造出各向异性能势垒.
-
如图3所示, 首先设置系统初始的垂直磁各向异性常数Ku = 0.8×106 J/m3. 在不施加偏置电压的条件下, 系统在反铁磁层间交换耦合作用下进行自然弛豫, 演化并稳定在AFM基态. 在确认AFM基态稳定后, 通过模拟施加偏置电压, 利用VCMA效应降低调控区局部的Ku值. 系统局部自旋发生面内偏转, 从而诱导产生斯格明子. 在斯格明子生成后, 撤去施加的调控电压(即去压操作). 在这一阶段, 斯格明子达到最稳定的状态. 在斯格明子实现去压稳定后, 再次利用VCMA效应, 迫使斯格明子湮灭, 系统最终完全恢复至第一步中建立的均匀AFM基态.
-
图4(a)展示了不同电极直径D下, 斯格明子的产生随Ku变化的分布规律(初始磁化向上(+z)). 结果表明, 随着D的增大, 诱导产生斯格明子所需的Ku值逐渐升高. 当D = 50 nm时, 在0.1×106—0.8×106 J/m3的Ku调控区间内, 均无法产生斯格明子; 当D = 60 nm时, 通过减小Ku至0.1×106 J/m3 可产生极性向下的斯格明子; 当D增大至70 nm与80 nm时, 产生相同极性斯格明子所需的Ku增大至0.3×106 J/m3; 当D进一步增大至90 nm与100 nm时, 减小Ku至0.4×106 J/m3即可产生斯格明子, 但90 nm及以上电极尺寸调控产生的斯格明子极性与80 nm及以下是相反的. 图4(b)反映了斯格明子的湮灭规律. 研究发现, 对于D = 60—100 nm的所有情形, 当Ku增大至1.3×106 J/m3时, 斯格明子均会发生湮灭并回归至铁磁态. 在本文模型中, 自由层的直径(物理边界尺寸)是一致的, 电极尺寸不影响形成斯格明子的尺寸. 因此, 电极尺寸的缩减对湮灭过程影响较小, 但是使产生斯格明子的Ku减小, 还导致了斯格明子极性反转.
文中进一步研究了斯格明子的湮灭机制. 本次模拟将电极中心设置为偏离MTJ中心(向x, y方向正偏移). 如图5所示, 斯格明子在去压稳定后, 此时是偏移电极中心的. 在湮灭阶段, 斯格明子向中心逐渐湮灭, 并未逃逸.
此外, 为了验证湮灭行为是由外部施加的正偏压驱动的物理机制导致的, 与模拟中的网格尺寸无关, 文中采用了更高精度的1 nm×1 nm×1 nm以及0.5 nm×0.5 nm×1 nm网格进行重复验证. 如图6显示, 在经过更严苛网格划分的系统中, 当外加正偏压使局部垂直磁各向异性常数Ku提升至1.3×106 J/m3时, 在1 nm×1 nm×1 nm的网格精度下, 斯格明子均发生湮灭, 而在0.5 nm×0.5 nm×1 nm的网格精度下, 当Ku提升至1.34 × 106 J/m3时, 斯格明子均发生湮灭, 系统完全回归至均匀的反铁磁基态.
Ku发生微小偏移是因为极细的网格更精确地解析了处于湮灭临界点时斯格明子核心处极大的自旋梯度, 使得系统更接近连续介质极限, 从而略微提高了克服拓扑保护所需的能量势垒. 在接近极限的网格精度下湮灭行为持续存在, 确凿证明了斯格明子的湮灭是由外部施加的正偏压驱动的物理机制, 而非由于网格尺寸过大导致的现象.
-
在本文的MTJ模型中, VCMA效应是一种局域化的界面现象, 电场仅作用MgO/Top FM界面. 因此, 施加偏置电压改变的是顶部铁磁层的Ku. 这意味着斯格明子的演化首先发生在顶部铁磁层. 而底部铁磁层本身并不直接暴露于电场中, 也不直接受VCMA效应的调制, 底部铁磁层中自旋的响应依赖于层间反铁磁层间交换耦合作用. 由于Jex强度有限且材料内部存在Gilbert阻尼, 底层的自旋响应存在极短暂的时间延迟. 因此, 两层中的自旋并非表现为绝对的同步运动, 而是顶部铁磁层率先发生面内偏转或局部翻转时, 反铁磁耦合会迫使底部铁磁层的自旋迅速地作出“镜像反向”的响应, 以此来维持整个系统能量的极小化. 由微磁模拟可得, 顶部铁磁层比底部铁磁层更早发生自旋偏转现象(图7).
基于上述响应机制, 斯格明子并非孤立地存在于某一单层中, 而是顶部铁磁层和底部铁磁层两层中几乎同时形成了一对极性相反、空间位置锁定的斯格明子对.
-
为了研究电极直径D = 80 nm和90 nm情况下斯格明子极性反转的物理机制, 本文在初始磁化向上(+z)的预设条件下, 对电极直径D = 80 nm和90 nm的斯格明子极性反转的形成过程和能量进行了分析. 图8(a)—(e)展示了系统在动态演变中所经历的磁态演化及各阶段对应的能量变化曲线.
图8(a)展示了不同尺寸电压调控过程的磁畴结构, 发现两种尺寸自旋演化过程中的②((2))阶段形成了不同的磁结构. 当D = 80 nm时, 边缘自旋在施加电压的过程中保持不变, 维持初始的垂直向上状态; 而在D = 90 nm时, 边缘自旋在施加电压的过程中变为边缘倾斜态, 呈现出与中心自旋一致的偏转. 在这个阶段的分叉, 导致了最终形成了不同极性的斯格明子.
我们从各项磁能量变化分析在第②((2))阶段中出现两种边缘态不同的原因. 在该阶段, Edemag与Eani的变化趋势和取值在两种尺寸下基本一致, 而Eex与EDMI却表现出显著的差异(图8(d), (e)). 具体而言, 在大尺寸下, Eex处在约0.52×10–18 J的较低水平, 而EDMI处于约–0.9×10–18 J的高位; 反之, 在小尺寸下, Eex显著升高至约为1.6×10–18 J, 且EDMI大幅降低至约为–2.23×10–18 J. 因此, Eex与EDMI之间的能量竞争导致系统在②((2))阶段形成了不同的磁结构: 在大尺寸下, 系统保持低Eex可以使整体能量保持低能状态, 形成边缘自旋倾斜的磁结构. 而在小尺寸下, 系统通过维持EDMI的低能态使整体能量保持低能状态, 形成边缘自旋保持的磁结构.
基于阶段②((2))形成的不同磁结构, DMI能量进一步降低, 诱导了不同极性的斯格明子生成. 如图8(e)显示, 两种尺寸在②—③((2)—(3))阶段EDMI均下降. 在小尺寸下, 由于边缘自旋保持+z方向(图8(a) ②), 系统通过中心区域自旋向下翻转(图8(a) ③)来降低EDMI, 形成极性向下的斯格明子; 而大尺寸下边缘自旋从倾斜状态(图8(a) (2))向下翻转(图8(a) (3)), 中心自旋保持向上, 降低EDMI, 形成极性向上的斯格明子. 综上所述, 尺寸效应导致了Eex与EDMI能量之间的竞争, 因此形成了极性相反的斯格明子[25]. 这也进一步体现了斯格明子的自旋演化取决于系统内部的相互作用与能量竞争[32].
此外, 进一步构建并补充了详细的电极尺寸-Ku相图(图9), 结果表明斯格明子极性反转的临界条件由D和Ku共同决定. 我们基于该相图明确了铁磁态区(50 nm ≤ D ≤ 52 nm)、极性向下斯格明子区(55 nm ≤ D ≤ 82 nm)、极性反转区(83 nm ≤ D ≤ 89 nm)及极性向上斯格明子区(90 nm ≤ D ≤ 100 nm). 在铁磁态区(50 nm ≤ D ≤ 52 nm), 在全Ku范围均不能形成斯格明子, 维持铁磁态. 在极性向下区(55 nm ≤ D ≤ 82 nm), 系统通过维持EDMI的低能态使整体能量保持低能状态, 形成极性向下斯格明子. 在极性向上区(90 nm ≤ D ≤ 100 nm), 系统保持低Eex使整体能量保持低能状态, 形成极性向上斯格明子. 在极性反转区(83 nm ≤ D ≤ 89 nm)内, 随着外加负偏压增大, 局域Ku降低并超过临界阈值时, 斯格明子极性发生反转.
不同尺寸导致的斯格明子极性反转具有高度的确定性与鲁棒性. 如图10所示, 在针对电极直径D从81—100 nm(步长为1 nm)的重复模拟中, 当82 nm < D ≤ 89 nm时, 出现了两种极性的斯格明子. 当电极直径到达D = 90 nm时, 在Ku = 0.1× 106—0.4×106 J/m3下, 都演化为极性向上的斯格明子. 证明了极性反转并非随机的热涨落或数值偶然, 而是由明确的几何尺寸边界触发的演变过程.
-
本文提出了一种基于尺寸依赖型斯格明子的神经形态计算系统. 该系统采用层次化架构, 通过设计不同电极直径尺寸器件(D = 80 nm与D = 90 nm), 实现突触权重存储与神经元逻辑功能[33,34]. 重要的是, 基于尺寸效应的功能区分是在同一工艺条件下实现的.
在突触层设计中, 利用D = 80 nm器件在局域VCMA调控下斯格明子的产生与湮灭, 实现了稳定的非易失性二值化存储. 器件阻值随输入电压脉冲的演化如图11(a)所示, 由该器件构建的4×4交叉阵列(图12(b))为系统提供了可靠的权值存储物理载体[35]. 图11(b)展示了D = 90 nm器件特有的四态循环切换机制. 这一物理过程展示了器件具有的多稳态物理基础, 高度契合生物神经元的静息、极化、去极化及不应期4个功能阶段. 其中, 具体的磁态演化路径是由外部驱动脉冲决定, 通过器件物理特性与外部电路逻辑结合, 实现了功能完备的神经元模型[36–39]. 各磁态与生物神经元功能的映射关系及物理逻辑阐述如下.
S0对应参考层与自由层自旋呈平行排列(P态)的低阻态(RLow), 用于模拟生物神经元的静息电位. S1对应积分过程, 通过负脉冲驱动器件进入第一中间阻态RMid1, 模拟了生物膜电荷的积分与积累过程. S2对应发放阶段, 由正脉冲诱导产生的高阻AP态(RHigh)准确映射神经元的阈值发放脉冲信号. S3经负脉冲驱动演化至第二种中间阻态RMid2, 在此状态下必须接收特定正脉冲激励方能复位至S0, 否则将持续处于抑制状态, 从而完整实现了生物神经元的不应期机制[36,37]. 该机制对于抑制神经脉冲反向传播、限制最大发放频率以及维持神经网络的同步稳定性具有至关重要的生物学意义[38,40].
为了实现80 nm突触阵列层与90 nm神经元层级间的高效信息交互, 本文设计了存储单元读写电路(图12(a))与基于积分触发(IF)逻辑的信号转换接口(图12(b)). 读写电路用于写入与读取信号, IF电路利用电容对突触层输出的列电流进行电荷累积, 一旦电容电压达到预设阈值Vth, 将激活后级的脉冲发生器, 输出一组正负电压交替脉冲. 该脉冲序列随后注入与其相连的90 nm MTJ单元, 通过其状态演化实现系统级的信号输出.
本文的神经形态计算系统采用层次化架构设计, 通过80 nm斯格明子MTJ交叉阵列实现了具备非易失性突触权值存储; 利用90 nm斯格明子MTJ结构在VCMA调控下提供的四阶段磁态循环, 结合外部脉冲序列的触发, 在单一器件内映射了生物神经元的“积分-发放-不应期”生理周期. 该方案不仅省去了传统CMOS神经元中繁琐的复位与控制逻辑电路, 显著提升了硬件集成密度, 充分发挥了VCMA效应在超低功耗操控方面的物理优势[41].
-
为了验证该神经形态计算系统的可行性, 搭建了完整的电路仿真模型. 电路仿真设置的参数为: 80 nm MTJ的Rp为3.125×105 Ω, 90 nm MTJ的Rp为2.47×105 Ω, 隧穿磁阻(TMR)效应为100%, 脉冲宽度为1 ns. 在本文所提出的神经形态计算系统中, 无论是80 nm还是90 nm的器件, 其演化至形成稳定斯格明子, 整个演化过程通常在0.8 ns内即可基本完成. 因此, 施加1 ns的电压脉冲宽度已经留有了充足的物理裕量, 完全能够确保局域Ku的改变足以驱动自旋跨越势垒, 完成状态的可靠写入与切换.
80 nm器件验证. 系统施加了高频的读写正负交替脉冲. 仿真结果如图13和图14所示, 器件能够对这些连续脉冲做出稳定的状态响应(表现为双态切换). 系统能够将输入脉冲信号通过80 nm MTJ阵列转化为模拟的突触后电流. 图15展示了各列在接收脉冲后产生的随机突触电流随时间的动态变化. 这证明了我们的器件在系统层面完全具备阵列级的乘加运算信息传递能力. 仿真结果图16清晰地展示了“电流积累”的动态过程. 可以看到, 随着正负交替脉冲的输入, 膜电位呈现出阶梯上升趋势. 当累积的信号达到设定的阈值时, 积累的电荷会瞬间放电归零(重置), 完成一个“积分-发放(LIF)”周期. 对于90 nm器件, 当发放信号到达脉冲发生器后, 脉冲发生器生成正负电压交替脉冲序列作为90 nm神经元器件的输入(图17). 伴随着脉冲序列输入, 神经元器件同步输出状态切换的阶跃信号(图18).
以上仿真充分验证了该神经形态计算架构的可行性. 在该系统中, VCMA斯格明子器件集低功耗、速度快与高耐久性于一体. 不仅克服了传统非易失性存储器的性能瓶颈, 更完美契合了类脑芯片的高计算速度和高可靠性. 斯格明子器件采用的局域VCMA效应是电场驱动机制. 偏置电压主要作用于MgO隧穿层以改变界面的垂直磁各向异性, 几乎不产生焦耳热损耗, 单次状态切换功耗可低至70 fJ级别, 极大地满足了高密度突触阵列的低功耗需求. 且VCMA调控斯格明子是通过纳秒级的自旋进动来实现磁态切换, 其开关速度可达1—5 ns. 这种极快的超快响应能力, 能够显著提升类脑芯片的整体计算与推理速率. 此外, 斯格明子器件实际运行过程中模拟了生物神经元的积分与多级膜电位变化, 90 nm器件需要进行频繁的状态切换, 需要极高的耐久性. 而VCMA斯格明子的生成与湮灭基于电子自旋的重排, 受拓扑荷保护, 没有原子级别的晶格破坏, 这使得斯格明子器件具备近乎无限的耐久性(>1014).
-
在算法级功能验证中, 本文构建了与物理硬件相映射的脉冲神经网络(SNN)算法模型, 通过MNIST手写数字识别任务对所构建的神经形态计算系统进行全流程算法验证. 实验结果如图19显示, 我们随机选取了3次测试结果, 该系统在经过20个Epoch的训练后, 测试集准确率稳定在92%左右, 该结果展现了极高的物理可行性与架构优势, 充分验证了基于尺寸依赖型斯格明子构建的突触阵列具有极强的逻辑鲁棒性和抗噪能力. 其次, 90 nm神经元的不应期机制在算法层面发挥了关键作用. 这种机制天然模拟了生物大脑的节律性, 有助于抑制神经网络中的过度脉冲活动, 从而在降低系统动态功耗的同时维持了时序处理的稳定性.
-
尽管本文验证了该架构的理论可行性, 但在物理硬件实现时, 仍需面临现实挑战. 首先, 本文模拟主要基于0 K环境. 在室温环境下, 热噪声引起的自旋随机翻转可能降低斯格明子的热稳定性, 并对状态切换的电压阈值产生干扰. 其次, 实际MTJ器件的边缘效应或MgO隧穿层厚度偏差会导致局域电场及VCMA效应的非均匀分布, 产生局部钉扎势垒, 使斯格明子翻转延迟或不完全翻转现象. 最后, 本文的极性反转机制对电极尺寸敏感, 在制造过程中的光刻偏差等工艺误差将导致不同器件单元间的临界翻转电压不同, 降低阵列在同一操作电压下的翻转成功率与容错裕度. 未来可通过优化材料体系或在架构中引入高容错算法来有效抵消这些非理想物理因素的影响.
-
本文系统研究了基于SAF磁隧道结中, 局域VCMA效应调控对诱导斯格明子生成与湮灭的影响. 研究发现, 随电极尺寸减小, 诱导生成斯格明子所需的电压提高, Ku调控范围扩大. 同时揭示了小尺寸与大尺寸间, 因能量竞争而导致的斯格明子极性反转现象. 这是由于在不同尺寸电压调控过程中, Eex与EDMI之间的能量竞争导致系统形成了不同的磁结构, 当DMI能量进一步降低, 诱导不同极性的斯格明子生成. 在小尺寸调控下, 驱动产生斯格明子进而构建出二值存储单元; 而在大尺寸调控下, 实现了可控的多态循环切换进而实现神经元功能. 基于这种尺寸依赖特性, 本文提出了一种具备高稳定性、高集成度及超低功耗优势的神经形态计算系统.
尺寸依赖的电压调控磁斯格明子
Size-dependent research on skyrmions via voltage-controlled magnetic anisotropy
-
摘要: 磁斯格明子凭借其小尺寸、低驱动电流及高拓扑稳定性, 在非易失性存储与逻辑运算领域展现出广阔应用前景. 电压控制磁各向异性(VCMA)效应是实现低功耗操纵斯格明子的有效手段, 但现有研究多局限于对隧道结自由层的全局调控. 本文系统研究了隧道结中不同电极直径尺寸的VCMA调控对斯格明子生成和湮灭行为的影响. 研究发现, 随电极尺寸减小, 诱导形成斯格明子的电压升高, 垂直磁各向异性常数(Ku)的调控窗口相应拓宽. 在相同VCMA调控下, 大、小尺寸诱导形成的斯格明子极性反转. 这是由于在不同尺寸电压调控过程中, 交换能Eex与Dzyaloshinskii-Moriya相互作用能EDMI之间的能量竞争导致系统形成了不同的磁结构. 本文基于斯格明子的尺寸依赖特性构建了一种具有高稳定性、高集成度及超低功耗的神经形态计算系统.Abstract:
Objective: Magnetic skyrmions in synthetic antiferromagnetic (SAF) systems have emerged as highly promising information carriers for next-generation non-volatile memory and neuromorphic computing paradigms, owing to their nanoscale dimensions, suppression of the skyrmion Hall effect, and high topological stability. While voltage-controlled magnetic anisotropy (VCMA) offers an ultralow-power approach for skyrmion manipulation, existing research predominantly focuses on the global VCMA modulation of the free layer. The dynamic evolution of skyrmions driven by localized, size-dependent VCMA effects remains largely unexplored. To address this gap, this study systematically investigates the dynamic evolution—specifically the generation and annihilation mechanisms—of skyrmions under localized, size-dependent VCMA modulation, and subsequently proposes a highly efficient neuromorphic computing architecture. Methods: Micromagnetic simulations are conducted using the OOMMF framework on a cylindrical SAF magnetic tunnel junction (MTJ) model. The free layer features a Top FM/NM/Bottom FM structure (e.g., CoFeB/Ru/CoFeB) with a fixed diameter of 100 nm, whereas the top electrode diameter (D) is adjustable from 50 nm to 100 nm. By applying vertical bias voltages, localized electric fields induce VCMA effects at the MgO/Top FM interface, dynamically lowering or raising the local perpendicular magnetic anisotropy constant (Ku) to precisely drive skyrmion generation and annihilation. Results: The simulation results reveal a size-dependent effect during localized VCMA modulation. As the electrode diameter (D) decreases, the threshold voltage required to induce skyrmions increases, correspondingly broadening the effective Ku modulation window. Under identical VCMA driving conditions, a deterministic polarity reversal of the generated skyrmions is observed. Specifically, skyrmions generated under smaller electrodes (D ≤ 82 nm) exhibit a downward polarity, whereas those under larger electrodes (D ≥ 90 nm) exhibit an upward polarity. Comprehensive energy analyses indicate that this bifurcation stems from the energetic competition between the exchange energy (Eex) and the Dzyaloshinskii-Moriya interaction (DMI) energy (EDMI) during the intermediate nucleation phase. For larger sizes, the system minimizes Eex, leading to an edge-canted magnetic state; conversely, for smaller sizes, the system maintains a low EDMI, preserving the initial vertical edge spins. As EDMI further decreases, these distinct intermediate states deterministically induce skyrmions of opposite polarities.Leveraging these unique size-dependent physical characteristics, we construct a hierarchical, VCMA-controlled skyrmion neuromorphic computing system. In this architecture, D = 80 nm MTJ devices are configured as a 4 × 4 crossbar array to provide highly stable, non-volatile binary synaptic weight storage. Concurrently, D = 90 nm devices utilize a distinct four-state cyclic magnetic switching mechanism to intrinsically emulate biological leaky integrate-and-fire neurons. This design accurately replicates resting, integration, firing, and essential refractory periods at the device level, effectively eliminating the need for complex external CMOS circuitry. Algorithm-level validation using a spiking neural network on the MNIST dataset achieved a robust classification accuracy of approximately 92%. Conclusions: This paper systematically investigates the impact of localized voltage-controlled magnetic anisotropy modulation on the generation and annihilation of skyrmions in SAF magnetic tunnel junctions. The results indicate that as the electrode size decreases, the threshold voltage required for skyrmion generation increases, accompanied by an expanded modulation range of the magnetic anisotropy (Ku). Additionally, a size-dependent skyrmion polarity reversal phenomenon driven by energy competition is revealed. Practically, small-size modulation facilitates the generation of skyrmions for constructing binary memory cells, whereas large-size modulation enables controllable multi-state cyclic switching to realize artificial neuron functions. Leveraging these size-dependent characteristics, a neuromorphic computing system featuring high stability, high integration density, and ultra-low power consumption is proposed. -
-
图 1 (a)圆柱形SAF-MTJ结构示意图; (b)电极边缘电场分布
Figure 1. (a) Schematic diagram of the cylindrical SAF-MTJ structure; (b) electric field distribution at the edge of the electrode.
图 2 电压与
$ K_\text{u} $ 量化关系Figure 2. Relationship between voltage and
$ K_\text{u} $ quantization.
图 4 (a)不同电极直径下斯格明子的产生随Ku变化的分布; (b)不同电极直径下斯格明子的湮灭随Ku变化的分布
Figure 4. (a) Distribution of skyrmion generation as a function of Ku for different electrode diameters; (b) distribution of skyrmion annihilation as a function of Ku for different electrode diameters.
图 5 斯格明子偏离电极(中心)的湮灭演化过程
Figure 5. Evolution of skyrmion annihilation after deviating from the electrode.
图 6 D = 80 nm下不同网格尺寸的斯格明子湮灭行为
Figure 6. Annihilation behavior of skyrmions under different mesh sizes at D = 80 nm.
图 7 D = 90 nm TOP/Bottom FM层自旋演化图
Figure 7. Spin evolution of the top and bottom FM layers for D = 90 nm.
图 8 (a) D = 80 nm, 90 nm下, 斯格明子产生过程的磁态演化图; 不同磁态在产生阶段的(b)退磁能量、(c)各向异性能量、(d)交换能量和(e) DMI能量
Figure 8. (a) Evolution of magnetic configurations during skyrmion generation for D = 80 nm and 90 nm; (b) demagnetization energy, (c) anisotropy energy, (d) exchange energy, and (e) DMI energy of various magnetic states during the generation stage.
图 9 D = 50—100 nm时, 不同电极直径下斯格明子的产生随Ku变化的分区
Figure 9. Regions of skyrmion generation as a function of Ku under different electrode diameters for D= 50–100 nm.
图 10 (a) D = 81—90 nm时, 不同电极直径下斯格明子的产生随Ku变化的分布; (b) D = 91—100 nm时, 不同电极直径下斯格明子的产生随Ku变化的分布
Figure 10. (a) Distribution of skyrmion generation as a function of Ku for different electrode diameters for D = 81–90 nm; (b) distribution of skyrmion generation as a function of Ku for different electrode diameters for D = 91–100 nm.
图 11 不同直径器件在电压脉冲驱动下的磁态演变与阻变特性对比 (a) D = 80 nm器件的二值电阻切换; (b) D = 90 nm器件的四态循环切换
Figure 11. Comparison of magnetic state evolution and resistive switching characteristics for devices with different diameters under voltage-pulse driving: (a) Binary resistance switching in the D = 80 nm device; (b) four-state cyclic switching in the D = 90 nm device.
图 12 (a)存储单元电路示意图; (b)基于不同尺寸调控的斯格明子神经形态计算系统框图
Figure 12. (a) Schematic diagram of a memory cell circuit; (b) schematic block diagram of the neuromorphic computing system based on size-tunable skyrmion dynamics.
图 19 算法级功能验证(MNIST分类准确率)
Figure 19. Algorithm-level validation (MNIST classification).
-
[1] Mühlbauer S, Binz B, Jonietz F, Pfleiderer C, Rosch A, Neubauer A, Georgii R, Böni P 2009 Science 323 915 doi: 10.1126/science.1166767 [2] Nagaosa N, Tokura Y 2013 Nat. Nanotechnol. 8 899 doi: 10.1038/nnano.2013.243 [3] Fert A, Cros V, Sampaio J 2013 Nat. Nanotechnol. 8 152 doi: 10.1038/nnano.2013.29 [4] Sampaio J, Cros V, Rohart S, Thiaville A, Fert A 2013 Nat. Nanotechnol. 8 839 doi: 10.1038/nnano.2013.210 [5] Zhang S F, Wang J B, Zheng Q, Zhu Q Y, Liu X Y, Chen S J, Jin C D, Liu Q F, Jia C L, Xue D S 2015 New J. Phys. 17 023061 doi: 10.1088/1367-2630/17/2/023061 [6] Song K M, Jeong J S, Pan B, Zhang X, Xia J, Cha S, Park T E, Kim K, Finizio S, Raabe J, Chang J, Zhou Y, Zhao W, Kang W, Ju H, Woo S 2020 Nat. Electron. 3 148 doi: 10.1038/s41928-020-0385-0 [7] Yao Y, Chen X, Kang W, Zhang Y X, Zhao W S 2020 IEEE Trans. Electron Devices 67 2553 doi: 10.1109/TED.2020.2989420 [8] Zhang H C, Wu H B, Lan J 2025 Chin. Phys. B 34 107503 doi: 10.1088/1674-1056/addaa6 [9] Barker J, Tretiakov O A 2016 Phys. Rev. Lett. 116 147203 doi: 10.1103/PhysRevLett.116.147203 [10] Zhang X C, Zhou Y, Ezawa M 2016 Sci. Rep. 6 24795 doi: 10.1038/srep24795 [11] Jin C, Song C, Wang J, Liu Q 2016 Appl. Phys. Lett. 109 182404 doi: 10.1063/1.4967006 [12] Kang W, Huang Y Q, Zhang X C, Zhou Y, Zhao W S 2016 Proc. IEEE 104 2040 doi: 10.1109/JPROC.2016.2591578 [13] Zhang X C, Zhou Y, Ezawa M 2016 Nat. Commun. 7 10293 doi: 10.1038/ncomms10293 [14] Legrand W, Maccariello D, Ajejas F, Collin S, Vecchiola A, Bouzehouane K, Reyren N, Cros V, Fert A 2020 Nat. Mater. 19 34 doi: 10.1038/s41563-019-0468-3 [15] Deng Y C, Liu X H, Chen Y Y, Du Z Z, Jiang N, Shen C, Zhang E Z, Zheng H Z, Lu H Z, Wang K Y 2023 Natl. Sci. Rev. 10 nwac154 doi: 10.1093/nsr/nwac154 [16] Dohi T, DuttaGupta S, Fukami S, Ohno H 2019 Nat. Commun. 10 5153 doi: 10.1038/s41467-019-13182-6 [17] Juge R, Sisodia N, Larrañaga J U, Zhang Q, Pham V T, Rana K G, Sarpi B, Mille N, Stanescu S, Belkhou R, Mawass M A, Novakovic-Marinkovic N, Kronast F, Weigand M, Gräfe J, Wintz S, Finizio S, Raabe J, Aballe L, Foerster M, Belmeguenai M, Buda-Prejbeanu L D, Pelloux-Prayer J, Shaw J M, Nembach H T, Ranno L, Gaudin G, Boulle O 2022 Nat. Commun. 13 4807 doi: 10.1038/s41467-022-32525-4 [18] Dash A, Ojha B, Mohanty S, Moharana A K, Bedanta S 2023 Nanotechnology 34 185202 doi: 10.1088/1361-6528/acb778 [19] Rana B, Otani Y 2019 Commun. Phys. 2 90 doi: 10.1038/s42005-019-0189-6 [20] Bhattacharya D, Razavi S A, Wu H, Dai B Q, Wang K L, Atulasimha J 2020 Nat. Electron. 3 539 doi: 10.1038/s41928-020-0432-x [21] Gong S Y, Yang M Y, Li Y R, Shen B W, Li Y R, Yu P Y, Cui Y, Luo J 2024 IEEE Electron Device Lett. 45 821 doi: 10.1109/LED.2024.3382686 [22] Cai K, Yang M, Ju H, Wang S, Ji Y, Li B, Edmonds K W, Sheng Y, Zhang B, Zhang N, Liu S, Zheng H, Wang K 2017 Nat. Mater. 16 712 doi: 10.1038/nmat4886 [23] Yang M Y, Deng Y W, Wu Z H, Cai K M, Edmonds K W, Li Y C, Sheng Y, Wang S M, Cui Y, Luo J, Ji Y, Zheng H Z, Wang K Y 2019 IEEE Electron Device Lett. 40 1554 doi: 10.1109/LED.2019.2932479 [24] Cui Z Q, Yang W L, Zheng J H 2025 Chin. Phys. B 34 077502 doi: 10.1088/1674-1056/adca20 [25] Bhattacharya D, Alrashoudi A, Atulasimha J 2016 Sci. Rep. 6 31272 doi: 10.1038/srep31272 [26] Cao Y, Rushforth A W, Sheng Y, Zheng H Z, Wang K Y 2019 Adv. Funct. Mater. 29 1808104 doi: 10.1002/adfm.201808104 [27] Yang M Y, Cui Y, Chen J S, Luo J 2024 Int. J. Extrem. Manuf. 7 012010 doi: 10.1088/2631-7990/ad87cb [28] Khalili Amiri P, Alzate J G, Cai X Q, Ebrahimi F, Hu Q, Wong K, Grèzes C, Lee H, Yu G, Li X, Akyol M, Shao Q, Katine J A, Langer J, Ocker B, Wang K L 2015 IEEE Trans. Magn. 51 1 doi: 10.1109/TMAG.2015.2443124 [29] Kang W, Ran Y, Zhang Y G, Lv W F, Zhao W S 2017 IEEE Trans. Nanotechnol. 16 387 doi: 10.1109/TNANO.2017.2660530 [30] Demokritov S O 1998 J. Phys. D: Appl. Phys. 31 925 doi: 10.1088/0022-3727/31/8/003 [31] Maruyama T, Shiota Y, Nozaki T, Ohta K, Toda N, Mizuguchi M, Tulapurkar A A, Shinjo T, Shiraishi M, Mizukami S, Ando Y, Suzuki Y 2009 Nat. Nanotechnol. 4 158 doi: 10.1038/nnano.2008.406 [32] 史猛, 王伟伟, 杜海峰 2024 物理学报 73 011201 doi: 10.7498/aps.73.20231473 Shi M, Wang W W, Du H F 2024 Acta Phys. Sin. 73 011201 doi: 10.7498/aps.73.20231473 [33] Lone A H, Aguirre F, Rahimi D N, Lanza M, Setti G, Fariborzi H 2024 IEEE Trans. Electron Devices 71 6395 doi: 10.1109/TED.2024.3442161 [34] Cao Y, Sheng Y, Edmonds K W, Ji Y, Zheng H Z, Wang K Y 2020 Adv. Mater. 32 1907929 doi: 10.1002/adma.201907929 [35] Zhou P, Edwards A J, Mancoff F B, Aggarwal S, Heinrich-Barna S K, Friedman J S 2025 Commun. Eng. 4 142 doi: 10.1038/s44172-025-00479-2 [36] Kuzum D, Yu S, Wong H S P 2013 Nanotechnology 24 382001 doi: 10.1088/0957-4484/24/38/382001 [37] Prezioso M, Merrikh-Bayat F, Hoskins B D, Adam G C, Likharev K K, Strukov D B 2015 Nature 521 61 doi: 10.1038/nature14441 [38] Gerstner W 2002 Spiking Neuron Models: Single Neurons, Populations, Plasticity (New York: Cambridge University Press) pp102–109 [39] Burkitt A N 2006 Biol. Cybern. 95 1 doi: 10.1007/s00422-006-0068-6 [40] Brette R, Gerstner W 2005 J. Neurophysiol. 94 3637 doi: 10.1152/jn.00686.2005 [41] Wu X Y, Saxena V, Zhu K, Balagopal S 2015 IEEE Trans. Circuits Syst. II Express Briefs 62 1088 doi: 10.1109/TCSII.2015.2456372 -
计量
- 文章访问数: 71
- HTML全文浏览数: 71
- PDF下载数: 3
- 施引文献: 0