Tutkimusosat: 23. tammikuuta

Memristor-pohjainen Bayesin neuroverkko

CEA-Letin, CEA-Listin ja CNRS:n tutkijat rakensivat täydellisen memristoripohjainen Bayesin neuroverkko toteutus rytmihäiriötallenteiden luokitteluun tarkalla aleatorisella ja episteemisellä epävarmuudella.

Vaikka Bayesin neuroverkot ovat hyödyllisiä aistinkäsittelysovelluksissa, jotka perustuvat pieneen määrään kohinaista syöttötietoa, koska ne tarjoavat ennustavan epävarmuuden arvioinnin, todennäköisyys merkitsee lisääntyneitä energia- ja laskentavaatimuksia satunnaislukugeneraattoreiden käytöstä, jotka tallentavat todennäköisyysjakaumat.

"Hyödynsimme memristoreiden luontaista vaihtelua tallentaaksemme nämä todennäköisyysjakaumat sen sijaan, että olisimme käyttäneet satunnaislukugeneraattoreita", sanoi Elisa Vianello, CEA-Letin päätutkija tiedotteessa. Lähestymistapa päättelyn suorittamiseen vaatii massiivisia rinnakkaisia ​​kertoja ja kerää (MAC) -operaatioita. "Nämä toiminnot vaativat tehoa, kun ne suoritetaan CMOS-pohjaisilla ASIC-korteilla ja kenttäohjelmoitavilla porttiryhmillä, koska prosessorin ja muistin välillä tapahtuu dataa. Ratkaisussamme käytämme memristoreiden poikkipalkkeja, jotka luonnollisesti toteuttavat tulojännitteen ja todennäköisyyspohjaisen synaptisen painon kertomisen Ohmin lain avulla sekä kertymisen Kirchhoffin nykyisen lain mukaan, mikä vähentää merkittävästi virrankulutusta.

Lähestymistapa mahdollistaa epävarmuuden kvantifioinnin, jonka avulla verkosto voi tunnistaa tilanteet, jotka voivat olla koulutusdatan ulkopuolella. [1]

Hybridivaiheenvaihtomuisti

Rochesterin yliopiston tutkijat kehittivät hybridiresistiiviset kytkimet jotka yhdistävät memristoreita ja vaiheenmuutosmateriaaleja.

"Olemme yhdistäneet ajatuksen memristorista ja vaiheenmuutoslaitteesta tavalla, joka voi ylittää kummankaan laitteen rajoitukset", sanoi Stephen M. Wu, sähkö- ja tietokonetekniikan sekä fysiikan apulaisprofessori Rochesterista. julkaisussa. ”Teemme kaksinapaista memristorilaitetta, joka ohjaa yhden tyyppisen kiteen toisen tyyppiseen kidefaasiin. Näillä kahdella kidefaasilla on eri resistanssi, jonka voit sitten tallentaa muistiksi."

Jännittämällä 2D-materiaaleja ne voivat olla kahden eri kidefaasin välissä ja niitä voidaan työntää kumpaan tahansa suuntaan suhteellisen pienellä teholla.

"Suunnittelimme sen lähinnä vain venyttämällä materiaalia yhteen suuntaan ja puristamalla sitä toiseen", Wu jatkoi. ”Tekemällä näin parannat suorituskykyä suuruusluokkaa. Näen polun, jossa tämä voisi päätyä kotitietokoneisiin muistimuotona, joka on erittäin nopea ja erittäin tehokas. Sillä voi olla suuria vaikutuksia tietojenkäsittelyyn yleensä." [2]

Hopeapohjainen muistilaite

Sahmyook Universityn ja Yonsei Universityn tutkijat ehdottavat a hopeaa hajoava kalkogenidi ohut kalvo muistilaitteiden vastuksen kytkemiseen.

"Diffusiivinen Ag-pohjainen muistilaitteemme kalkogenidiohutkalvossa näyttää alhaisen virrankulutuksen ja jäljittelee ihmisen aivojen rinnakkaista prosessointia. Tämä tekee siitä sopivan käyttöönotettavaksi poikkipalkkitaulukoissa, ja se saavutti ~92 %:n tunnistusprosentin MNIST:n (Modified National Institute of Standards and Technology) käsinkirjoitettujen numeroiden tunnistustietokannassa", sanoi Min Kyu Yang, professori Sahmyookin yliopistosta. .

Laite ei vaadi sähkövirtaa kemiallisen muutoksen aikaansaamiseksi ennen valmistusta tai käyttöä, ja se on osoittanut sekä tilan säilymistä että luotettavaa kestävyyttä 85 °C:n ympäristössä 2 tunnin ajan. [3]

Viitteet

[1] Bonnet, D., Hirtzlin, T., Majumdar, A. et ai. Tuo epävarmuuden kvantifiointi äärimmilleen memristoripohjaisilla Bayesin hermoverkoilla. Nat Commun 14, 7530 (2023). https://doi.org/10.1038/s41467-023-43317-9

[2] Hou, W., Azizimanesh, A., Dey, A. et ai. Pystysuuntaisten molybdeenidelluridifaasimuutosmemristoreiden jännityssuunnittelu. Nat Electron (2023). https://doi.org/10.1038/s41928-023-01071-2

[3] Su Yeon Lee, Jin Joo Ryu, Hyun Kyu Seo, Hyunchul Sohn, Gun Hwan Kim, Min Kyu Yang, Ag-dispergoiva kalkogenidiväliaine helposti aktivoitavaan elektroniseen memristoriin, Applied Surface Science, Volume 644, 2024, 158747, 0169IS -4332, https://doi.org/10.1016/j.apsusc.2023.158747