神经形态器件在构建未来人工智能芯片方面具有极大的应用潜力。自旋电子器件具有集成度高、功耗低、丰富的非线性动力学特性等优点,被认为是构建高效率、低功耗的神经形态芯片的极有潜力方案之一。目前,基于自旋电子器件的神经形态器件研究在国际上刚刚起步,如何利用自旋电子器件模拟神经元和突触特性,以及如何构建人工神经网络进而实现高性能、低功耗的神经形态计算是该领域的核心研究内容。本文围绕磁性隧道结开展神经形态特性模拟研究,主要探索其在突触和神经元特性模拟方面的可能性,并结合神经网络技术探讨其在神经形态计算方面的应用。主要研究工作概况如下:(1)开展了基于磁畴壁运动的突触特性模拟研究。通过实验与理论研究了不同自由层结构的磁性隧道结中,磁畴壁运动对器件的磁电输运特性的影响。在此基础上设计并制备出一种自由层为宽度阶梯变化的条带结构的自旋突触器件,实现对磁畴壁的逐步钉扎,观察到了6个电阻状态。进一步研究了自由层中磁场和电流驱动的磁畴壁注入、钉扎和退钉扎等动力学行为。最后研究了磁场和电流对器件电阻态的调控作用。这种多阻态变化特性有望用于多态存储以及神经突触特性模拟。(2)开展了基于磁性隧道结磁矩随机翻转的神经元特性模拟研究。设计和制备出自由层磁矩沿面内排列的磁性隧道结器件,研究了该种器件在自旋极化电流驱动下的磁矩随机翻转特性,并利用这种特性实现了简单的贝叶斯推理。进一步理论分析磁性隧道结自由层中垂直磁各向异性对磁矩翻转势垒的影响,制备出自由层具有垂直磁各向异性的自旋神经元器件并观测到超低功耗(<1nW)的随机信号发生。通过理论和实验研究了其随机信号发生的概率随磁场强度变化关系,证明这种关系与人工神经网络中神经元的Sigmoid型激活函数类似,可用于模拟人工神经元特性。进而以随机翻转磁性隧道结为神经元搭建自旋神经网络,实现了对手写数字图像的识别,其识别率可达到95%。最后通过理论与实验证明,基于电场调控磁各向异性效应,可用电压调控磁矩翻转势垒,从而调控自旋神经元的输出特性,实现复杂的神经元特性模拟。(3)开展了基于磁性隧道结的自旋矩二极管效应的稀疏神经元特性模拟研究。研究了自旋矩二极管的工作特性,发现在频率为1.92 GHz的微波信号注入下,在-1.0 mA～-1.6 mA范围的直流电流偏置下,其整流电压变化关系与生物神经元的稀疏激活特性类似。以自旋矩二极管为神经元搭建神经网络,提出一种基于硬件网络的训练方法对神经网络进行训练,实现了对手写数字图像的识别。此外,研究了注入微波功率对网络性能的影响,并在注入功率为0.32 μW下,识别率达到92.7%。进一步研究发现自旋矩二极管神经网络具有良好的稀疏性和稳定性,在注入功率为0.32 μW时,其稀疏性为62%。最后讨论了具有非单调输出特性的自旋矩二极管神经元在神经网络计算中的应用。优化网络参数选取,通过选取服从标准差为0.01的正态分布随机数,实现了手写数字图片识别,识别率达90%。