电压调控磁电存储器实现神经形态扩散过程的突破性进展：面向高效能生成式人工智能的硬件革新

为解决生成式人工智能中扩散模型的高能耗与冯·诺依曼架构瓶颈问题，加州大学洛杉矶分校Kang L. Wang团队开发了基于电压控制磁电存储器(VC-MRAM)的神经形态扩散硬件。研究通过调控磁隧道结(MTJ)的电压控制磁各向异性(VCMA)效应，实现了高斯噪声的硬件级随机生成，在图像生成任务中达到与软件相当的FID分数(~13.1)，同时实现比传统硬件高103倍的能效。该工作为大规模生成模型提供了非易失性存算一体解决方案，发表于《Nature Communications》。

　　

在人工智能领域，扩散模型(Diffusion Model)已成为生成式AI的重要突破，其通过逐步添加高斯噪声并学习逆向去噪的过程，在图像生成、数据修复等任务中展现出惊人潜力。然而这类模型面临"算力诅咒"——随着模型参数规模突破万亿级，传统冯·诺依曼(Von Neumann)架构中存储器与计算单元分离导致的"数据搬运墙"问题愈发严重。更棘手的是，扩散模型需要大量随机噪声生成步骤，现有基于CMOS的真随机数发生器(TRNG)能耗高且难以集成。这些瓶颈严重制约着生成式AI在边缘计算等场景的应用。

针对这一挑战，加州大学洛杉矶分校Yang Cheng、Kang L. Wang团队联合多所机构开发出基于电压控制磁电存储器(VC-MRAM)的神经形态扩散硬件。研究人员创新性地利用磁隧道结(MTJ)的电压控制磁各向异性(VCMA)效应，实现了高斯噪声的硬件级生成，将扩散过程的能耗降低三个数量级。这项突破性成果发表于《Nature Communications》，为构建下一代高效能生成式AI硬件提供了全新路径。

研究团队主要采用三项关键技术：1) 8英寸晶圆制备的CMOS集成MTJ器件，通过VCMA效应调控垂直磁各向异性(PMA)；2) 基于Landau-Lifshitz-Gilbert方程的宏自旋模拟，量化不同电压脉冲下的翻转概率；3) 80×80阵列的MeRAM芯片实现硬件级马尔可夫过程，配合CelebA-HQ数据集进行图像生成验证。

在"VC-MTJ特性"部分，研究者首先展示了直径100 nm的MTJ器件性能：通过TMR测量证实220%的开关比(R_AP/R_P)，提取出40 fJ/Vm的VCMA系数。关键突破在于电压脉冲调控的随机性——当施加2.4 V临界电压(V_c)时，MTJ状态切换概率呈现50%的热随机特性；而高于V_c的2.7 V电压则引发磁化进动，产生阻尼振荡的切换概率曲线。这种电控随机性成为硬件扩散过程的基础。

"基于MeRAM的高斯噪声生成"章节揭示了8位MeRAM单元的巧妙设计：两个整数位和六个小数位构成256级状态空间，通过克罗内克积构建马尔可夫转移矩阵M。实验证明，对最高有效位(MSB)施加2.4 V/0.4 ns脉冲，其余位施加2 ns脉冲时，10,000次采样得到的噪声差值ε接近标准高斯分布(μ=0, σ=1)。这种硬件噪声生成方式比传统电压脉冲发生器节能80%。

研究团队在"MeRAM生成扩散模型性能"部分取得里程碑式成果：采用80×80 VC-MTJ阵列，成功实现1000步扩散的CelebA-HQ人脸图像生成。经过100次训练周期后，硬件生成图像的质量(FID分数13.1)与软件模拟(12.1)相当。值得注意的是，该过程完全规避了传统自旋转移矩(STT)MRAM的固有问题——VC-MTJ既能作为概率比特(p-bit)工作，又能保持长期数据保持力，解决了STT-MRAM在保留时间与随机性之间的权衡困境。

讨论部分强调，这项工作首次将CMOS集成的MeRAM芯片应用于生成式AI任务，突破了冯·诺依曼架构对神经形态计算的限制。相比需要低能垒的STT/SOT-MRAM方案，VCMA-MTJ通过电场调控K_u实现了"动态可重构"的随机性，为万亿参数级生成模型提供了可扩展的硬件平台。研究者特别指出，该技术路线与当前180 nm CMOS工艺兼容，具备快速产业化的潜力。

这项研究的意义不仅在于实现首个硬件级扩散过程，更开创了"磁电-生成AI"交叉研究新范式。正如作者所述，当ChatGPT等大模型步入万亿参数时代，此类存算一体架构将成为打破"内存墙"的关键。未来通过增加MTJ位数和阵列规模，可进一步扩展噪声生成的范围与精度，为物理世界构建真正的"神经形态生成引擎"。