近日，我院张黎可副教授与中国科学院苏州纳米所纳米加工平台合作，在国际知名学术期刊《Applied Physics Letters》（中科院SCI二区）上发表题为《Spin torque induced dual type artificial neurons based on an in-plane magnetic tunnel junction》的论文，该论文被期刊选为“Featured Articles”，原文链接https://doi.org/10.1063/5.0298891。

该研究创新性地提出一种基于面内磁隧道结（MTJ）的双功能人工神经元器件，通过调控外加直流电流的极性，可灵活实现随机翻转与非线性整流两种核心物理行为。其中，随机翻转概率随电流强度的变化特性，能够模拟神经网络中的Sigmoid激活函数；而非线性整流电压对电流的响应规律，则可等效实现ReLU激活函数的功能，两种神经元特性的切换仅需改变外加电流的方向即可完成，操作简便且响应迅速。研究团队基于该双功能MTJ器件构建卷积神经网络，并将其应用于图像分类识别任务，实验结果表明，系统最终实现了97%的高识别准确率，与采用传统标准激活函数的神经网络性能相当。该器件兼具高集成密度、低功耗与非易失性等核心优势，有效突破了传统磁隧道结人工神经元功能单一的技术瓶颈，为下一代高效神经形态计算架构的研发提供了全新思路与核心器件支撑。

论文首页

（图、文：张黎可；审核：王绶玙）