Jonctions tunnel magnétiques stochastiques pour le calcul bioinspiré

Magnetic tunnel junctions are promising candidates for computing applications. But when they are reduced to nanoscale dimensions, maintaining their stability becomes an issue. Unstable magnetic tunnel junctions undergo random switches of the magnetization between their two stable states and thus behave as stochastic oscillators. However, the stochastic nature of these superparamagnetic tunnel junctions is not a liability but an asset which can be used for the implementation of bio-inspired computing schemes. Indeed, our brain has evolved to function in a noisy environment and with unstable components. In this thesis, we show several possible applications of superparamagnetic tunnel junctions.We demonstrate how a superparamagnetic tunnel junction can be frequency and phase-locked to a weak oscillating voltage. Counterintuitively, our experiment shows that this is achieved by injecting noise in the system. We develop a theoretical model to understand this phenomenon and predict that it allows a hundred-fold energy gain over the synchronization of traditional dc-driven spin torque oscillators. Furthermore, we leverage our model to study the synchronization of several coupled junctions. Many theoretical schemes using the synchronization of oscillators to perform cognitive tasks such as pattern recognition and classification have been proposed. Using the noise-induced synchronization of superparamagnetic tunnel junctions would allow implementing these tasks at low energy.We draw an analogy between superparamagnetic tunnel junctions and sensory neurons which fire voltage pulses with random time intervals. Pushing this analogy, we demonstrate that populations of junctions can represent probability distributions and perform Bayesian inference. Furthermore, we demonstrate that interconnected populations can perform computing tasks such as learning, coordinate transformations and sensory fusion. Such a system is realistically implementable and could allow for intelligent sensory processing at low energy cost.Les jonctions tunnel magnétiques sont des candidats prometteurs for le calcul. Mais quand elles sont réduites à des dimensions nanométriques, conserver leur stabilité devient difficile. Les jonctions tunnel magnétiques instables subissent des renversements aléatoires de leur aimantation et se comportent comme des oscillateurs stochastiques. Pourtant, la nature stochastique de ces jonctions tunnel superparamagnétiques n’est pas une faille mais un atout qui peut être utilisé pour le calcul bio-inspiré. En effet, notre cerveau a évolué de sorte qu’il puisse fonctionner dans un environnement bruité et avec des composants instables. Dans cette thèse, nous montrons plusieurs applications possibles des jonctions tunnel superparamagnétiques.Nous démontrons qu’une junction tunnel superparamagnétique peut être synchronisée en fréquence et en phase à une faible tension oscillante. De manière contre intuitive, notre expérience montre que cela peut être fait grâce à l’injection de bruit dans le système. Nous développons un modèle théorique pour comprendre ce phénomène et prédire qu’il permet un gain énergétique d’un facteur cent par rapport à la synchronisation d’oscillateurs à transfert de spin traditionnels. De plus, nous utilisons notre modèle pour étudier la synchronisation de plusieurs jonctions couplées. De nombreuses méthodes théoriques réalisant des tâches cognitives telles que la reconnaissance de motifs et la classification grâce à la synchronisation d’oscillateurs ont été proposés. Utiliser la synchronisation induite par le bruit de jonctions tunnel superparamagnétiques permettrait de réaliser ces tâches à basse énergie.Nous faisons une analogie entre les jonctions tunnel superparamagnétiques et les neurones sensoriels qui émettent des pics de tension séparés par des intervalles aléatoires. En poursuivant cette analogie, nous démontrons que des populations de jonctions tunnel superparamagnétiques peuvent représenter des distributions de probabilité et réaliser de l’inférence Bayésienne. De plus, nous démontrons que des populations interconnectées peuvent faire du calcul, notamment de l’apprentissage, des transformations de coordonnées et de la fusion sensorielles. Un tel système est faisable de manière réaliste et pourrait permettre de fabriquer des capteurs intelligents à bas coût énergétique