Jonctions de tunnel ferroélectriques dans les accélérateurs de calcul analogiques en mémoire des réseaux Crossbar

Un article technique intitulé « Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators » a été publié par des chercheurs de l’Université de Lund.

Résumé:

« L'informatique neuromorphique a suscité un grand intérêt, car les avancées dans les applications d'intelligence artificielle (IA) ont révélé les limites dues à un accès important à la mémoire, avec l'architecture informatique de von Neumann. L’informatique parallèle en mémoire fournie par l’informatique neuromorphique a le potentiel d’améliorer considérablement la latence et la consommation d’énergie. Les memristors, qui fournissent des niveaux de conductance multi-états non volatiles, une vitesse de commutation élevée et une efficacité énergétique, sont la clé du matériel informatique neuromorphique analogique. Les memristors à jonction tunnel ferroélectrique (FTJ) sont les meilleurs candidats à cette fin, mais l'impact de leurs caractéristiques particulières sur leurs performances lors de l'intégration dans de grands réseaux crossbar, l'élément de calcul central pour l'inférence et la formation dans les réseaux neuronaux profonds, nécessite une étude approfondie. Dans ce travail, un W/Hf _x Zr_1-x O₂/TiN FTJ avec 60 états de conductance programmables, une plage dynamique (DR) jusqu'à 10, densité de courant >3 A m^-2 at V _lire = 0.3 V et courant-tension hautement non linéaire (I–V) les caractéristiques (> 1100) sont démontrées expérimentalement. À l'aide d'un macro-modèle de circuit, les performances au niveau du système d'un véritable réseau crossbar sont évaluées et une précision de classification de 92 % de l'ensemble de données de l'institut national des sciences et technologies modifié (MNIST) est obtenue. Enfin, la faible conductance combinée au caractère hautement non linéaire I–V Les caractéristiques permettent la réalisation de grands réseaux crossbar sans sélecteur pour les accélérateurs matériels neuromorphiques.

Trouvez le article technique ici. Publié en décembre 2023.

Athle, R. et Borg, M. (2023), Memristors à jonction tunnel ferroélectrique pour accélérateurs informatiques en mémoire. Av. Intell. Système. 2300554. https://doi.org/10.1002/aisy.202300554

Lecture connexe
Augmenter l'efficacité énergétique de l'IA grâce au calcul en mémoire
Comment traiter des charges de travail zettascale et respecter un budget énergétique fixe.
Modélisation du calcul en mémoire avec efficacité biologique
L’IA générative oblige les fabricants de puces à utiliser les ressources de calcul de manière plus intelligente.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/