[发明专利]积和运算器、神经形态器件以及积和运算器的使用方法

说明书

本发明提供一种积和运算器(1)，其包括积运算部(10)以及和运算部(11)，所述积运算部(10)包括作为电阻变化元件的多个积运算元件(10AA、10AB)和至少一个参考元件(10AMAX、10AMIN)，所述和运算部(11)至少包括检测来自所述多个积运算元件的输出的合计值的输出检测器(11A)，所述多个积运算元件各自为磁阻效应元件，包括：具有磁壁的磁化自由层；磁化方向被固定的磁化固定层；和由所述磁化自由层与所述磁化固定层夹持的非磁性层，所述参考元件为包括不具有磁壁的磁化自由层的参考磁阻效应元件。

技术领域

本发明涉及积和运算器、神经形态器件以及积和运算器的使用方法。

本申请基于2018年3月16日申请于日本的特愿2018-049766号主张优先权，并将其内容在此引用。

背景技术

目前，已知有RRAM(注册商标)基础模拟神经形态系统中的用于灰度图像识别的最佳化的学习方案(例如参照非专利文献1)。该文献中记载有模拟神经形态系统以组装的电阻式开关存储阵列为基础进行开发的内容。该文献中，为了通过利用段化的突触的举动来将模拟系统的性能最佳化，而提出新的训练方案。另外，该文献中，该方案适用于灰度图像识别。

另外，进行着使用电阻变化元件的阵列来实现模仿神经系统的神经网络的研究。神经形态器件(NMD)中，从前一阶段向下一阶段施加载荷并进行累加的积和运算。因此，组合多个电阻连续地变化的电阻变化元件，以各自的电阻值为权重进行相对于输入信号的积运算，并取得从其输出的电流的总和，由此，进行和运算的各种各样的类型的积和运算器、及利用了该积和运算器的NMD的开发不断进展。

例如专利文献1中记载有一种利用了磁壁利用型磁阻变化元件的磁神经元系统，该磁壁利用型磁阻变化元件利用了根据磁记录层内的磁壁的位置，使电阻值连续地变化。

现有技术文献

专利文献

专利文献1：国际公开第2017/183573号。

非专利文献

非专利文献1：Zhe Chen他著，“RRAM基础模拟神经形态系统中的用于灰度图像识别的最佳化的学习方案(Optimized Learning Scheme for Grayscale ImageRecognition in a RRAM Based Analog Neuromorphic System)”，2015年，IEEE，p.17.7.1-p.17.7.4。

发明内容

发明所要解决的技术问题

但是，专利文献1中，未对构成系统的磁阻效应元件的依赖于温度的特性变化进行研究。因此，在温度变化的情况下，神经网络的性能可能降低。另外，特别是在使用隧道磁阻效应元件作为磁阻效应元件的情况下，有时元件的磁阻值根据电流方向不同而不同，因此，在通过反向传播进行学习时，需要比其它的电阻变化元件复杂的操作，因此，处理速度可能变慢。

鉴于上述的问题点，本发明的目的在于，提供在应用于神经网络的情况下，能够抑制来自温度变化或电流方向的元件特性的变动引起的神经网络的性能降低的积和运算器、神经形态器件以及积和运算器的使用方法。

用于解决问题的技术方案