神经形态计算因其在AI和大数据分析中的巨大应用潜力, 在全球范围内引起了广泛关注。为克服传统CMOS晶体管技术局限，科研人员长期致力于探索基于新型非易失性存储器（NVMs）和自旋电子器件的硬件实现方案。目前，已有多种类型的NVMs被用于实现神经网络中各种运算并显示出广阔前景，其中自旋电子器件凭借自身丰富和可控的自旋动力学特性, 被认为是实现模拟突触和神经元功能的理想候选之一。

近日, 微电子所重点实验室刘明院士/邢国忠研究员团队基于全电控磁畴壁（DW）动力学特性，成功开发了磁畴壁隧道结（DW-MTJ）器件且实现线性权重更新和非线性激活函数功能，首次实验演示并验证了DW-MTJ集成器件实现全自旋人工突触和神经元功能, 为高度可扩展的集成神经形态电路奠定了基础。团队利用自旋-轨道耦合和界面 Dzyaloshinskii-Moriya interaction协同效应, 实现了可编程的多态突触器件且具有高可靠性。第一性原理计算表明, 5d 和 3d 原子间距可控压缩增强了 Dzyaloshinskii-Moriya 反对称相互作用, 从而稳定了磁畴壁钉扎，实验结果验证了该机制的有效性。基于自旋-轨道矩对磁畴壁的高效驱动和可靠钉扎，团队展示了具有 Sigmoid 型激活函数的自旋神经元, 最高工作频率达 20 MHz，能耗仅为508 fJ/spike。紧凑Sigmoid 型神经元电路设计实现了低功耗运行。该工作充分展示了DW-MTJ自旋电子器件在神经形态计算应用中的巨大潜力，为实现高能效、高可靠且可扩展的神经网络架构提供了硬件开发的新路径。

该工作得到了国家重点研发计划、国家自然科学基金委、中国科学院战略先导B等项目支持。研究成果以“Domain wall magnetic tunnel junction-based artificial synapses and neurons for all-spin neuromorphic hardware”为题在《自然•通讯》期刊在线发表, 这是继本课题组2023年实现微电子所在自旋电子器件研究领域Nature子刊零的突破后，又一次发表高质量工作成果。微电子所博士研究生刘龙为文章第一作者, 微电子所邢国忠研究员、刘明院士为共同通讯作者。

开发的DW-MTJ全自旋神经元和神经形态计算电路仿真及硬件实验验证

DW-MTJ基全自旋神经形态计算硬件研制及电路实现演示