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.

When an electric current passes from one ferromagnetic layer via a non-magnetic layer into another ferromagnetic layer, the spin polarization and subsequent rotation of this current can induce a transfer of angular momentum that exerts a torque on the second ferromagnetic layer1,2,3,4. This provides a potentially useful method to reverse3,5,6,7 and oscillate8 the magnetic momenta in nanoscale magnetic structures. Owing to the large current densities required to observe spin-torque-induced magnetization switching and microwave emission (∼107 A cm−2), accurately measuring the strength, or even the direction, of the associated spin torque has proved difficult. Yet, such measurements are crucial to refining our understanding of the mechanisms responsible and the theories that describe them9,10. To address this, we present quantitative experimental measurements of the spin torque in MgO-based magnetic tunnel junctions11,12,13,14 for a wide range of bias currents covering the switching currents. The results verify the occurrence of two different spin-torque regimes with different bias dependences that agree well with theoretical predictions10.

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.

Spin polarized current can excite the magnetization of a ferromagnet through the transfer of spin angular momentum to the local spin system. This pure spin-related transport phenomena leads to alluring possibilities for the achievement of a nanometer scale, CMOS compatible and tunable microwave generator operating at low bias for future wireless communications. Microwave emission generated by the persitent motion of magnetic vortices induced by spin transfer effect seems to be a unique manner to reach appropriate spectral linewidth. However, in metallic systems, where such vortex oscillations have been observed, the resulting microwave power is much too small. Here we present experimental evidences of spin-transfer induced core vortex precessions in MgO-based magnetic tunnel junctions with similar good spectral quality but an emitted power at least one order of magnitude stronger. More importantly, unlike to others spin transfer excitations, the thorough comparison between experimental results and models provide a clear textbook illustration of the mechanisms of vortex precessions induced by spin transfer.

Ultrathin [Co/Pt]n and [Co/Pd]n superlattice films consisting of 0.14–0.20-nm-thick Co and Pt(Pd) layers were deposited by sputtering. A large perpendicular magnetic anisotropy [(3–9)×106 ergs/cm3] and an ideal square out-of-plane hysteresis loop were attained even for ultrathin superlattice films with a total thickness of 1.2–2.4 nm. The films were stable against annealing up to 370 °C. MgO-based perpendicular magnetic tunnel junctions with this superlattice layer as the free layer showed a relatively high magnetoresistance ratio (62%) and an ultralow resistance-area product (3.9 Ω μm2) at room temperature. The use of these films will enable the development of gigabit-scale nonvolatile memory.

Abstract Memristors are non-volatile nano-resistors which resistance can be tuned by applied currents or voltages and set to a large number of levels. Thanks to these properties, memristors are ideal building blocks for a number of applications such as multilevel non-volatile memories and artificial nano-synapses, which are the focus of this work. A key point towards the development of large scale memristive neuromorphic hardware is to build these neural networks with a memristor technology compatible with the best candidates for the future mainstream non-volatile memories. Here we show the first experimental achievement of a multilevel memristor compatible with spin-torque magnetic random access memories. The resistive switching in our spin-torque memristor is linked to the displacement of a magnetic domain wall by spin-torques in a perpendicularly magnetized magnetic tunnel junction. We demonstrate that our magnetic synapse has a large number of intermediate resistance states, sufficient for neural computation. Moreover, we show that engineering the device geometry allows leveraging the most efficient spin torque to displace the magnetic domain wall at low current densities and thus to minimize the energy cost of our memristor. Our results pave the way for spin-torque based analog magnetic neural computation.

Generation of practical random numbers (RNs) by a spintronics-based, scalable truly RN generator called "spin dice" was demonstrated. The generator utilizes the stochastic nature of spin-torque switching in a magnetic tunnel junction (MTJ) to generate RNs. We fabricated eight perpendicularly magnetized MTJs on a single-board circuit and generated eight sequences of RNs simultaneously. The sequences of RNs of different MTJs were not correlated with each other, and performing an exclusive OR (XOR) operation among them improved the quality of the RNs. The RNs obtained by performing a nested XOR operation passed the statistical test of NIST SP-800 with the appropriate pass rate.