神经形态计算为一种电脑模仿人脑运作的技术，这项技术可应用於自动驾驶或医疗系统诊断等。神经形态计算大幅拓展AI在生活中的应用场景，让人们的生活更加方便与安全。

阳明交大国际半导体产业学院博士生杜杰世（见图）和团队设计的新型自旋轨道矩(SOT) 装置能以极低功耗模拟大脑的学习与适应特性，图二为异质结构(WPtCoNiOPt)+的自旋轨道矩(spin-orbit+torque)磁记忆体。

低功耗是未来电子装置的重要关键之一。自旋电子学技术能以极低能耗的方式操控电子自旋状态，在超低能耗运算中具有显着优势。自旋电子装置在切换状态时的能耗极低，并具备多稳态特性，适合模拟大脑神经网络的并行计算和持续学习能力。

阳明交大组成的研究团队突破神经形态计算领域限制。利用特殊设计的磁性材料异质结构（W/Pt/Co/NiO/Pt），在无需外部磁场的情况下实现所谓「无场翻转」（FFS）。这是一种关键技术，过去大多数的自旋轨道矩磁记忆体装置需要外加磁场来驱动磁性切换，不仅消耗能量，还限制装置的整合性和可扩展性。此次突破是利用镍氧化物（NiO）层中产生的反铁磁序来增强系统的稳定性和性能，实现更高效、更节能的神经形态运算，这也是模仿人类大脑运作的新技术。

论文第一作者、阳明交大国际半导体产业学院与印度理工学院双联博士学位的印度籍博士生杜杰世（Durgesh Kumar Ojha）与另1名博士生黄郁馨设计完全基於自旋的人工突触和S型神经元，并将其整合到三层人工神经网（ANN）中，模拟类似人类大脑的运作方式。由於磁性材料结构稳定且低功耗，得以大幅提升神经网络的运算效率，在MNIST（手写数字）和Fashion MNIST（服装类别）的图像资料集上，能够达到高准确度的识别效果。

研究团队指出，新型自旋轨道矩（SOT）装置能以极低功耗模拟大脑的学习与适应特性，在自动驾驶、医学影像诊断与智慧监控等AI应用场景中展现快速、准确的处理能力。透过调整材料介面，成功实现了记忆效能与准确度的平衡，推动电子装置设计更智慧化。