神經形態計算為一種電腦模仿人腦運作的技術，這項技術可應用於自動駕駛或醫療系統診斷等。神經形態計算大幅拓展AI在生活中的應用場景，讓人們的生活更加方便與安全。

陽明交大國際半導體產業學院博士生杜傑世（見圖）和團隊設計的新型自旋軌道矩(SOT) 裝置能以極低功耗模擬大腦的學習與適應特性，圖二為異質結構(WPtCoNiOPt)+的自旋軌道矩(spin-orbit+torque)磁記憶體。

低功耗是未來電子裝置的重要關鍵之一。自旋電子學技術能以極低能耗的方式操控電子自旋狀態，在超低能耗運算中具有顯著優勢。自旋電子裝置在切換狀態時的能耗極低，並具備多穩態特性，適合模擬大腦神經網絡的並行計算和持續學習能力。

陽明交大組成的研究團隊突破神經形態計算領域限制。利用特殊設計的磁性材料異質結構（W/Pt/Co/NiO/Pt），在無需外部磁場的情況下實現所謂「無場翻轉」（FFS）。這是一種關鍵技術，過去大多數的自旋軌道矩磁記憶體裝置需要外加磁場來驅動磁性切換，不僅消耗能量，還限制裝置的整合性和可擴展性。此次突破是利用鎳氧化物（NiO）層中產生的反鐵磁序來增強系統的穩定性和性能，實現更高效、更節能的神經形態運算，這也是模仿人類大腦運作的新技術。

論文第一作者、陽明交大國際半導體產業學院與印度理工學院雙聯博士學位的印度籍博士生杜傑世（Durgesh Kumar Ojha）與另1名博士生黃郁馨設計完全基於自旋的人工突觸和S型神經元，並將其整合到三層人工神經網（ANN）中，模擬類似人類大腦的運作方式。由於磁性材料結構穩定且低功耗，得以大幅提升神經網絡的運算效率，在MNIST（手寫數字）和Fashion MNIST（服裝類別）的圖像資料集上，能夠達到高準確度的識別效果。

研究團隊指出，新型自旋軌道矩（SOT）裝置能以極低功耗模擬大腦的學習與適應特性，在自動駕駛、醫學影像診斷與智慧監控等AI應用場景中展現快速、準確的處理能力。透過調整材料介面，成功實現了記憶效能與準確度的平衡，推動電子裝置設計更智慧化。