Spoken-digit recognition using a nanoscale spintronic oscillator that mimics the behaviour of neurons demonstrates the potential of such oscillators for realizing large-scale neural networks in future hardware. Neuromorphic computing takes the exceptional information processing capabilities of the biological brain as inspiration and attempts to build artificial neurons, synapses and networks for tackling specific tasks that are challenging or energy-intensive for regular computers, such as recognizing images and patterns in sensory signals. Julie Grollier and colleagues use magnetic nanoscale oscillators to mimic the nonlinear oscillating behaviour of neurons and test the capability of such devices to recognize audio signals. The system was trained to recognize spoken digits from five different voices from a benchmark database and could do so with accuracy comparable to state-of-the-art machine learning. The work opens a new direction for chip-based, low-power, brain-like information processing. Neurons in the brain behave as nonlinear oscillators, which develop rhythmic activity and interact to process information1. Taking inspiration from this behaviour to realize high-density, low-power neuromorphic computing will require very large numbers of nanoscale nonlinear oscillators. A simple estimation indicates that to fit 108 oscillators organized in a two-dimensional array inside a chip the size of a thumb, the lateral dimension of each oscillator must be smaller than one micrometre. However, nanoscale devices tend to be noisy and to lack the stability that is required to process data in a reliable way. For this reason, despite multiple theoretical proposals2,3,4,5 and several candidates, including memristive6 and superconducting7 oscillators, a proof of concept of neuromorphic computing using nanoscale oscillators has yet to be demonstrated. Here we show experimentally that a nanoscale spintronic oscillator (a magnetic tunnel junction)8,9 can be used to achieve spoken-digit recognition with an accuracy similar to that of state-of-the-art neural networks. We also determine the regime of magnetization dynamics that leads to the greatest performance. These results, combined with the ability of the spintronic oscillators to interact with each other, and their long lifetime and low energy consumption, open up a path to fast, parallel, on-chip computation based on networks of oscillators.

Memristors are devices whose dynamic properties are of interest because they can mimic the operation of biological synapses. The demonstration that ferroelectric domains in tunnel junctions behave like memristors suggests new approaches for designing neuromorphic circuits. Memristors are continuously tunable resistors that emulate biological synapses1,2. Conceptualized in the 1970s, they traditionally operate by voltage-induced displacements of matter, although the details of the mechanism remain under debate3,4,5. Purely electronic memristors based on well-established physical phenomena with albeit modest resistance changes have also emerged6,7. Here we demonstrate that voltage-controlled domain configurations in ferroelectric tunnel barriers8,9,10 yield memristive behaviour with resistance variations exceeding two orders of magnitude and a 10 ns operation speed. Using models of ferroelectric-domain nucleation and growth11,12, we explain the quasi-continuous resistance variations and derive a simple analytical expression for the memristive effect. Our results suggest new opportunities for ferroelectrics as the hardware basis of future neuromorphic computational architectures.

Neuromorphic computing uses brain-inspired principles to design circuits that can perform computational tasks with superior power efficiency to conventional computers. Approaches that use traditional electronic devices to create artificial neurons and synapses are, however, currently limited by the energy and area requirements of these components. Spintronic nanodevices, which exploit both the magnetic and electrical properties of electrons, can increase the energy efficiency and decrease the area of these circuits, and magnetic tunnel junctions are of particular interest as neuromorphic computing elements because they are compatible with standard integrated circuits and can support multiple functionalities. Here, we review the development of spintronic devices for neuromorphic computing. We examine how magnetic tunnel junctions can serve as synapses and neurons, and how magnetic textures, such as domain walls and skyrmions, can function as neurons. We also explore spintronics-based implementations of neuromorphic computing tasks, such as pattern recognition in an associative memory, and discuss the challenges that exist in scaling up these systems. This Review Article examines the development of spintronic devices for neuromorphic computing, exploring how magnetic tunnel junctions and magnetic textures can act as artificial neurons and synapses, as well as considering the challenges that exist in scaling up current systems.

The discovery of the spin torque effect has made magnetic nanodevices realistic candidates for active elements of memory devices and applications. Magnetoresistive effects allow the read-out of increasingly small magnetic bits, and the spin torque provides an efficient tool to manipulate - precisely, rapidly and at low energy cost - the magnetic state, which is in turn the central information medium of spintronic devices. By keeping the same magnetic stack, but by tuning a device's shape and bias conditions, the spin torque can be engineered to build a variety of advanced magnetic nanodevices. Here we show that by assembling these nanodevices as building blocks with different functionalities, novel types of computing architectures can be envisisaged. We focus in particular on recent concepts such as magnonics and spintronic neural networks.

Abstract In the brain, learning is achieved through the ability of synapses to reconfigure the strength by which they connect neurons (synaptic plasticity). In promising solid-state synapses called memristors, conductance can be finely tuned by voltage pulses and set to evolve according to a biological learning rule called spike-timing-dependent plasticity (STDP). Future neuromorphic architectures will comprise billions of such nanosynapses, which require a clear understanding of the physical mechanisms responsible for plasticity. Here we report on synapses based on ferroelectric tunnel junctions and show that STDP can be harnessed from inhomogeneous polarization switching. Through combined scanning probe imaging, electrical transport and atomic-scale molecular dynamics, we demonstrate that conductance variations can be modelled by the nucleation-dominated reversal of domains. Based on this physical model, our simulations show that arrays of ferroelectric nanosynapses can autonomously learn to recognize patterns in a predictable way, opening the path towards unsupervised learning in spiking neural networks.

We present experiments of magnetization reversal by spin injection performed on pillar-shaped Co/Cu/Co trilayers. The pillars (200×600 nm2) are fabricated by electron beam lithography and reactive ion etching. Our data for the magnetization reversal at a threshold current confirm previous results on similar pillars. In addition, we present another type of experiment that also clearly evidences the control of the magnetic configuration by the current intensity. Our interpretation is based on a version of the Slonczewski model in which the polarization of the current is calculated in the Valet–Fert model of the giant magnetoresistance with current applied perpendicular to plane.

Substantial evidence indicates that the brain uses principles of non-linear dynamics in neural processes, providing inspiration for computing with nanoelectronic devices. However, training neural networks composed of dynamical nanodevices requires finely controlling and tuning their coupled oscillations. In this work, we show that the outstanding tunability of spintronic nano-oscillators can solve this challenge. We successfully train a hardware network of four spin-torque nano-oscillators to recognize spoken vowels by tuning their frequencies according to an automatic real-time learning rule. We show that the high experimental recognition rates stem from the high frequency tunability of the oscillators and their mutual coupling. Our results demonstrate that non-trivial pattern classification tasks can be achieved with small hardware neural networks by endowing them with non-linear dynamical features: here, oscillations and synchronization. This demonstration is a milestone for spintronics-based neuromorphic computing.

Bioinspired hardware holds the promise of low-energy, intelligent, and highly adaptable computing systems. Applications span from automatic classification for big data management, through unmanned vehicle control, to control for biomedical prosthesis. However, one of the major challenges of fabricating bioinspired hardware is building ultra-high-density networks out of complex processing units interlinked by tunable connections. Nanometer-scale devices exploiting spin electronics (or spintronics) can be a key technology in this context. In particular, magnetic tunnel junctions (MTJs) are well suited for this purpose because of their multiple tunable functionalities. One such functionality, non-volatile memory, can provide massive embedded memory in unconventional circuits, thus escaping the von-Neumann bottleneck arising when memory and processors are located separately. Other features of spintronic devices that could be beneficial for bioinspired computing include tunable fast nonlinear dynamics, controlled stochasticity, and the ability of single devices to change functions in different operating conditions. Large networks of interacting spintronic nanodevices can have their interactions tuned to induce complex dynamics such as synchronization, chaos, soliton diffusion, phase transitions, criticality, and convergence to multiple metastable states. A number of groups have recently proposed bioinspired architectures that include one or several types of spintronic nanodevices. In this paper, we show how spintronics can be used for bioinspired computing. We review the different approaches that have been proposed, the recent advances in this direction, and the challenges toward fully integrated spintronics complementary metal-oxide-semiconductor (CMOS) bioinspired hardware.

In our numerical study, we identify the best conditions for efficient domain-wall motion by spin-orbit torques originating from the spin Hall effect or Rashba effect. We demonstrate that the effect depends critically on the domain-wall configuration, the current injection scheme, and the symmetry of the spin-orbit torque. The best identified configuration corresponds to a N\'eel wall driven by the spin Hall effect in a narrow strip with perpendicular magnetic anisotropy. In this case, the domain-wall velocity can be a factor of 10 larger than that for the conventional current-in-plane spin-transfer torque.