A CoFeB-based multilayer as a neuromorphic device

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-05-28

Department

Major/Subject

Teknillinen fysiikka

Mcode

SCI3028

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

71

Series

Abstract

In this thesis, the possibility of using skyrmion dynamics as a basis for neuromorphic computing is studied. In more detail, a CoFeB multilayer hosting skyrmions is placed in to a variable magnetic field, with the objective of inferring the magnetic field input based on the dynamical response of the multilayer via single layer training. The motivation behind the setup is that the skyrmion dynamics of the multilayer ought to be compatible with the broader principle of reservoir computing. Extracting an output from the multilayer amounts to tracking the number of skyrmions on different sections of the multilayer, while varying the strength of the external magnetic field. This is done using a Kerr microscope in conjunction with a CCD camera, which produces grayscale images. The brightness of the pixels within the image determine the magnetization of the magnetic layer, and as a corollary the location of the skyrmions. After post-processing on Matlab, the original image data is converted into a series of state vectors, the components of which are the number of skyrmions at the location corresponding to the component. State vectors collected over multiple images are then trained for a neuromorphic task. The neuromorphic task of our study is to predict the values of a chaotic quasiperiodic Mackey-Glass function. A training set of magnetic field values following the function are input to the multilayer, and the state vectors are trained to predict the subsequent values of the function. Through the prediction results, the study reveals more general patterns in the context of reservoir computing and provides a novel perspective to the growing research of finding alternatives for the von Neumann architecture.

Tässä opinnäytetyössä tutkitaan mahdollisuutta hyödyntää skyrmionien dynamiikkaa neuromorfisen, eli aivojen toimintaa jäljittelevän laskennan perustana. Yksityiskohtaisemmin esitettynä CoFeB-pohjainen monikerroksinen ohutkalvo asetetaan muuttuvan magneettikenttään, joka aiheuttaa vuoroin skyrmionien syntymisen ja annihiloitumisen ohutkalvossa. Tästä dynaamisesta vasteesta pyritään päättelemään herätteenä toiminut magneettikenttä käyttäen yksinkertaista lineaarista regressiota. Koejärjestelyn perustana on, että skyrmionien dynamiikan tulisi olla yhteensopiva varantoihin perustuvan laskennan periaatteisiin. Tässä varannolla viitataan fysikaaliseen systeemiin, jonka vaste valittuun herätteeseen riippuu systeemin tilan historiasta. Karkeasti systeemi siis toimii informaatiovarantona. Dynaamisen vasteen määrittäminen ohutkalvosta pelkistyy skyrmionien lukumäärän seuraamiseen ohutkalvon eri osissa. Tämä toteutetaan käyttämällä Kerr-mikroskooppia yhdessä CCD-kameran kanssa, jolla tuotetaan mustavalkoisia kuvia, joiden pikselien kirkkaudesta voidaan päätellä kalvon magneettisen osan magnetoituminen ja korollaarina skyrmionien sijainti. Kuvat jälkiprosessoidaan Matlab-ohjelmistolla, ja alkuperäinen kuvadata muutetaan sarjaksi tilavektoreita, jotka sisältävät skyrmionien lukumäärän vektorin komponenttia vastaavassa sijainnissa ohutkalvolla. Suuri määrä kuvia muunnetaan tilavektoreiksi, joiden avulla muodostetaan malli neuromorfista tehtävää varten. Tämän tutkimuksen neuromorfisena tehtävänä toimii kaoottisen ja kvasijaksollisen Mackey-Glass-funktion arvojen ennustaminen. Opetusjoukkona toimiva magneettikenttä, joka seuraa funktion arvoja syötetään ohutkalvolle, ja vastaavat tilavektorit opetetaan ennustamaan funktion seuraavat $p$ arvoa. Ennusteen tulosten kautta tutkimus paljastaa laajempia kaavamaisuuksia varantoihin perustuvassa laskennassa ja tarjoaa uuden näkökulman kasvavaan tutkimukseen von Neumannin arkkitehtuurille vaihtoehtoisiin laskentamalleihin.

Description

Supervisor

van Dijken, Sebastiaan

Thesis advisor

Mansell, Rhodri

Keywords

skyrmion, neuromorphic computing, ferromagnetic multilayer, kerr microscopy

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202406044092

Collections

[kand] Perustieteiden korkeakoulu / SCI