Διασταυρώσεις σιδηροηλεκτρικών σήραγγας σε αναλογικούς επιταχυντές υπολογιστών στη μνήμη συστοιχίας crossbar

Μια τεχνική εργασία με τίτλο «Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators» δημοσιεύτηκε από ερευνητές στο Πανεπιστήμιο Lund.

Περίληψη:

«Οι νευρομορφικοί υπολογιστές έχουν δει μεγάλο ενδιαφέρον καθώς τα άλματα στις εφαρμογές τεχνητής νοημοσύνης (AI) έχουν εκθέσει περιορισμούς λόγω της μεγάλης πρόσβασης στη μνήμη, με την υπολογιστική αρχιτεκτονική von Neumann. Ο παράλληλος υπολογισμός στη μνήμη που παρέχεται από τον νευρομορφικό υπολογισμό έχει τη δυνατότητα να βελτιώσει σημαντικά την καθυστέρηση και την κατανάλωση ενέργειας. Το κλειδί για το αναλογικό νευρομορφικό υλικό υπολογιστών είναι τα memristors, που παρέχουν μη πτητικά επίπεδα αγωγιμότητας πολλαπλών καταστάσεων, υψηλή ταχύτητα μεταγωγής και ενεργειακή απόδοση. Τα memristors Ferroelectric Tunnel Junction (FTJ) είναι πρωταρχικοί υποψήφιοι για αυτόν τον σκοπό, αλλά ο αντίκτυπος των ιδιαίτερων χαρακτηριστικών για την απόδοσή τους κατά την ενσωμάτωση σε μεγάλες συστοιχίες crossbar, το βασικό υπολογιστικό στοιχείο τόσο για εξαγωγή συμπερασμάτων όσο και για εκπαίδευση σε βαθιά νευρωνικά δίκτυα, απαιτεί προσεκτική διερεύνηση. Σε αυτό το έργο, ένα W/Hf _x Zr_1-x O₂/TiN FTJ με 60 προγραμματιζόμενες καταστάσεις αγωγιμότητας, δυναμικό εύρος (DR) έως 10, πυκνότητα ρεύματος >3 A m^-2 at V _{ανάγνωση} = 0.3 V και εξαιρετικά μη γραμμικό ρεύμα-τάση (I–V) χαρακτηριστικά (>1100) αποδεικνύονται πειραματικά. Χρησιμοποιώντας ένα μακρο-μοντέλο κυκλώματος, αξιολογείται η απόδοση σε επίπεδο συστήματος μιας πραγματικής συστοιχίας crossbar και επιτυγχάνεται ακρίβεια ταξινόμησης 92% του συνόλου δεδομένων του τροποποιημένου εθνικού ινστιτούτου επιστήμης και τεχνολογίας (MNIST). Τέλος, η χαμηλή αγωγιμότητα σε συνδυασμό με την εξαιρετικά μη γραμμική I–V Τα χαρακτηριστικά επιτρέπουν την υλοποίηση μεγάλων συστοιχιών εγκάρσιας ράβδου χωρίς επιλογέα για νευρομορφικούς επιταχυντές υλικού».

Βρείτε το τεχνικό χαρτί εδώ. Δημοσιεύθηκε Δεκέμβριος 2023.

Athle, R. and Borg, M. (2023), Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators. Adv. Intell. Συστ. 2300554. https://doi.org/10.1002/aisy.202300554

Σχετική ανάγνωση
Αύξηση της ενεργειακής απόδοσης AI με υπολογιστές στη μνήμη
Πώς να επεξεργαστείτε φόρτους εργασίας zettascale και να παραμείνετε εντός ενός σταθερού προϋπολογισμού ισχύος.
Μοντελοποίηση Υπολογισμός στη μνήμη με βιολογική απόδοση
Η γενετική τεχνητή νοημοσύνη αναγκάζει τους κατασκευαστές τσιπ να χρησιμοποιούν υπολογιστικούς πόρους πιο έξυπνα.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/