Ferroelektriske tunnelforbindelser i tværstangsarray Analog In-Memory Compute Acceleratorer

Et teknisk papir med titlen "Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators" blev udgivet af forskere ved Lunds Universitet.

Abstract:

"Neuromorphic computing har oplevet stor interesse, da spring inden for kunstig intelligens (AI)-applikationer har afsløret begrænsninger på grund af tung hukommelsesadgang med von Neumann-computerarkitekturen. Den parallelle in-memory computing leveret af neuromorphic computing har potentialet til at forbedre latens og strømforbrug markant. Nøglen til analog neuromorf computerhardware er memristorer, der giver ikke-flygtige multistate konduktansniveauer, høj omskiftningshastighed og energieffektivitet. Ferroelektriske tunnel junction (FTJ) memristorer er primære kandidater til dette formål, men virkningen af ​​de særlige karakteristika for deres ydeevne ved integration i store tværbjælkearrays, kerneberegningselementet til både inferens og træning i dybe neurale netværk, kræver nøje undersøgelse. I dette arbejde er en W/Hf _x Zr_1-x O₂/TiN FTJ med 60 programmerbare konduktanstilstande, et dynamisk område (DR) op til 10, strømtæthed >3 A m^-2 at V _læse = 0.3 V og meget ikke-lineær strømspænding (I-V) karakteristika (>1100) er eksperimentelt demonstreret. Ved hjælp af en kredsløbsmakromodel evalueres systemniveauets ydeevne af et ægte tværbjælkearray, og der opnås en klassificeringsnøjagtighed på 92 % af det modificerede nationale institut for videnskab og teknologi (MNIST). Endelig den lave konduktans i kombination med den meget ikke-lineære I-V egenskaber muliggør realisering af store vælgerfri tværstangsarrays til neuromorfe hardwareacceleratorer."

Find teknisk papir her. Udgivet december 2023.

Athle, R. og Borg, M. (2023), Ferroelektriske Tunnel Junction Memristors for In-Memory Computing Acceleratorer. Adv. Intell. Syst. 2300554. https://doi.org/10.1002/aisy.202300554

Beslægtet læsning
Øget AI-energieffektivitet med beregning i hukommelsen
Sådan behandler du zettascale-arbejdsbelastninger og holder dig inden for et fast strømbudget.
Modellering af beregning i hukommelse med biologisk effektivitet
Generativ AI tvinger chipproducenter til at bruge computerressourcer mere intelligent.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/