Analysis and applications of spintronic oscillators in artificial intelligence and combinatorial optimization problems

This thesis investigates the use of spintronic oscillators for artificial intelligence (AI) and combinatorial optimization applications, effectively using their inherent physical nonlinearities to perform complex computational tasks efficiently. Spintronic devices, specifically magnetic tunnel junctions (MTJs), have gained attention due to their low power consumption, compact form and compatibility with silicon substrates making them ideal candidates for devices for analog computing. In this work, MTJ-based oscillators are also analyzed as potential computational units for solving optimization problems implementing an Ising machine. The study covers the theoretical and practical aspects of using MTJs in AI, particularly focusing on implementing analog multiplication through spin-torque oscillators to reduce computational overhead in neural networks. Through micromagnetic simulations, we show that MTJs can reliably perform analog multiplication. We tested this implementation in a convolutional neural network achieving high accuracies even with device variability, which holds potential for power efficient AI applications. Furthermore, the thesis explores how these oscillators can solve the Max-Cut problem and similar NP-hard combinatorial optimization challenges by simulating phase dynamics in Ising models. We propose the use of an efficient algorithm that allows for finding good solutions for sparse problems with extremely large sizes. This helps us approaching a problem with 20 million nodes, the largest in literature. The accuracy of the system is tested comparing the performance obtained solving benchmark problems with other reference state-of-the-art solutions. Finally, this work introduces the use of vortex MTJs for the implementation of memory devices whose polarity can be deterministically written and read with the use of frequency inputs, and can be selectively controlled in a chains without individual access. These devices enable the multiplication between an analog signal, encoded in the power of the input alternated current, and the stored binary value, effectively implementing a building block of a binary neural network. We present experimental results of a chain with two and three cascaded devices.

Questa tesi studia l’utilizzo degli oscillatori spintronici per applicazioni di intelligenza artificiale (IA) e ottimizzazione combinatoria, sfruttando le loro proprietà fisiche non lineari per risolvere problemi complessi in modo efficiente. I dispositivi spintronici, come le giunzioni tunnel magnetiche (MTJ), sono particolarmente interessanti per il loro basso consumo energetico, la compattezza e la compatibilità con i substrati in silicio, caratteristiche che li rendono ideali per il calcolo analogico. In questo lavoro, analizziamo gli oscillatori basati su MTJ anche come potenziali unità computazionali per affrontare problemi di ottimizzazione utilizzando modelli di Ising. La ricerca affronta sia gli aspetti teorici che pratici delle MTJ nell’ambito dell’IA, con particolare attenzione alla realizzazione della moltiplicazione analogica attraverso oscillatori spintronici. Questo approccio mira a ridurre il carico computazionale delle reti neurali. Attraverso simulazioni micromagnetiche, dimostriamo che le MTJ possono svolgere moltiplicazioni analogiche in modo affidabile. Abbiamo testato questa tecnologia in una rete neurale convoluzionale, ottenendo ottimi risultati anche in presenza di variazioni nei dispositivi, con un promettente potenziale per applicazioni IA a basso consumo. Inoltre, la tesi esplora come gli oscillatori spintronici possano essere impiegati per risolvere problemi combinatori complessi, come il Max-Cut, che rientrano nella classe NP-hard. Utilizzando simulazioni delle dinamiche di fase nei modelli di Ising, proponiamo un algoritmo efficiente per affrontare problemi molto grandi e con struttura sparsa, arrivando a risolvere un problema con 20 milioni di nodi, il più esteso mai trattato in letteratura. Le prestazioni del sistema sono state confrontate con soluzioni di riferimento allo stato dell’arte, mostrando un’elevata accuratezza. Infine, introduciamo un nuovo approccio per l’utilizzo delle giunzioni MTJ a vortice nella realizzazione di dispositivi di memoria. Questi dispositivi consentono di scrivere e leggere la polarità in modo controllato tramite segnali in frequenza, permettendo un controllo selettivo all’interno di catene senza bisogno di accesso diretto a ogni singolo elemento. Questo sistema consente di moltiplicare un segnale analogico, rappresentato dalla potenza della corrente alternata in ingresso, con un valore binario memorizzato, fornendo così un elemento chiave per reti neurali binarie. Presentiamo risultati sperimentali su catene composte da due e tre dispositivi in cascata. In sintesi, questo lavoro dimostra come gli oscillatori spintronici possano rappresentare una soluzione promettente per migliorare l’efficienza energetica e la scalabilità di sistemi IA e ottimizzazione combinatoria, con applicazioni pratiche concrete e innovative.