Ferrosähköiset tunneliliitokset Crossbar Array -analogisissa muistin laskentakiihdyttimissä

Lundin yliopiston tutkijat julkaisivat teknisen paperin nimeltä "Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators".

Tiivistelmä:

"Neuromorfinen laskenta on herättänyt suurta kiinnostusta, kun tekoälysovellusten harppaukset ovat paljastaneet rajoituksia, jotka johtuvat raskaasta muistin käytöstä von Neumannin laskentaarkkitehtuurin kanssa. Neuromorfisen laskennan tarjoamalla rinnakkaisella muistin sisäisellä laskennalla on potentiaalia parantaa merkittävästi latenssia ja virrankulutusta. Analogisen neuromorfisen laskentalaitteiston avain ovat memristorit, jotka tarjoavat haihtumattomia monitilajohtavuustasoja, korkean kytkentänopeuden ja energiatehokkuuden. Ferrosähköiset tunneliliitos (FTJ) -memristorit ovat ensisijaisia ​​ehdokkaita tähän tarkoitukseen, mutta niiden suorituskykyyn liittyvien erityisominaisuuksien vaikutus integroitaessa suuriin poikkipalkkiryhmiin, ydinlaskentaelementtiin sekä päättelyyn että koulutukseen syvissa hermoverkoissa, vaatii tarkkaa tutkimusta. Tässä työssä W/Hf _x Zr_1-x O₂/TiN FTJ, 60 ohjelmoitavaa konduktanssitilaa, dynaaminen alue (DR) jopa 10, virrantiheys >3 A m^-2 at V _luettu = 0.3 V ja erittäin epälineaarinen virta-jännite (I-V) ominaisuudet (>1100) on osoitettu kokeellisesti. Piirimakromallin avulla todellisen poikkipalkkitaulukon järjestelmätason suorituskyky arvioidaan ja modifioidun kansallisen tiede- ja teknologiainstituutin (MNIST) tietojoukon 92 %:n luokitustarkkuus saavutetaan. Lopuksi alhainen johtavuus yhdistettynä erittäin epälineaariseen I-V ominaisuudet mahdollistavat suurten valitsijattomien poikkipalkkien toteuttamisen neuromorfisille laitteistokiihdyttimille."

Etsi tekninen paperi täällä. Julkaistu joulukuussa 2023.

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

Aiheeseen liittyvä lukeminen
Tekoälyn energiatehokkuuden lisääminen Compute In Memoryn avulla
Kuinka käsitellä zetta-mittakaavaisia ​​työkuormia ja pysyä kiinteän tehobudjetin sisällä.
Muistin laskennan mallinnus biologisella tehokkuudella
Generatiivinen tekoäly pakottaa sirujen valmistajat käyttämään laskentaresursseja älykkäämmin.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/