随着物联网 (IoT) 等技术创新，各种电子设备正在通过互联网连接，IT 设备处理的数据量正在稳步增加。人工智能（AI）的使用在这些技术中尤为重要，但随着处理的数据量的加速增加，电子设备的能耗正成为一个问题。脑型计算作为一种旨在增强人工智能技术的功能并降低功耗的方法最近引起了人们的关注。脑型计算是试图用具有类似功能的电子元件来模仿大脑中神经元和突触的活动，但突触将信息的重要性存储为“重量”，这需要记忆功能才能再现。然而，用作存储器的现有SRAM和DRAM是易失性存储器，即使在不执行数据处理的待机状态下也会消耗电力，因此担心这将成为降低功耗的障碍。预计解决这个问题的办法是引入非易失性存储器，即使断电也不会丢失数据，也就是说不需要备用电源的存储器。其中，利用磁特性赋予非易失性的MRAM结合了高速、重复操作的高耐用性以及与现有半导体工艺的高亲和力等特性。因此，MRAM有望成为一种非易失性存储器，不仅适用于诺依曼型计算，还适用于脑型计算。

日本产业技术研究院的研究人员利用氟化锂 (LiF) 和氧化镁 (MgO) 结合的隧道势垒层，开发了一种新结构的磁隧道结元件（以下简称“MTJ 元件”），并成功增强了垂直磁各向异性，这是磁存储器 (MRAM) 存储保持特性的指标。研究发现，通过在厚铁（Fe）和MgO之间仅1或2层的极薄LiF层，可以将Fe的磁化方向稳定在垂直于薄膜表面的方向，并且垂直常规磁各向异性增加到仅使用MgO的结构的大约两倍。

该MTJ元件由磁性薄膜夹有约1nm厚的隧道势垒层的结构组成，并且可以根据磁性薄膜的磁化方向半永久地存储数据。利用这一特性实现了不需要备用电源的非易失性存储器，并且正在研究不仅应用于现有的诺依曼型计算，而且还应用于旨在通过模仿大脑的结构和数据处理方法来进行高级数据处理的脑型计算。