Ferroelektromos alagút csomópontok keresztrúd-tömb analóg memória számítási gyorsítókban

Ferroelektromos alagút csomópontok keresztrúd-tömb analóg memória számítási gyorsítókban

Időbélyeg: 11. január 2024. 1:00
Forrás csomópont: 3057211

„Ferroelektromos alagút-csomópont-memrisztorok a memórián belüli számításgyorsítókhoz” címmel jelent meg a Lundi Egyetem kutatói.

Absztrakt:

„A neuromorf számítástechnika iránt nagy érdeklődés mutatkozott, mivel a mesterséges intelligencia (AI) alkalmazások terén elért ugrásszerű ugrások a Neumann von Neumann számítástechnikai architektúrája miatt a nehéz memória-hozzáférés miatti korlátokat tártak fel. A neuromorf számítástechnika által biztosított párhuzamos memórián belüli számítástechnika jelentős mértékben javíthatja a várakozási időt és az energiafogyasztást. Az analóg neuromorf számítástechnikai hardver kulcsa a memristorok, amelyek nem illékony többállapotú vezetőképességi szintet, nagy kapcsolási sebességet és energiahatékonyságot biztosítanak. A Ferroelectric Tunnel Junction (FTJ) memrisztorok erre a célra kiválóan alkalmasak, de a teljesítményükre jellemző sajátosságok hatása a nagy keresztléctömbökbe, a mély neurális hálózatokban a következtetések és a betanítás alapvető számítási elemeibe történő integráció során alapos vizsgálatot igényel. Ebben a munkában egy W/Hf x Zr1-x O2/TiN FTJ 60 programozható vezetőképességi állapottal, dinamikatartománnyal (DR) 10-ig, áramsűrűség >3 A m-2 at V olvas = 0.3 V és erősen nemlineáris áram-feszültség (I–V) jellemzőit (>1100) kísérletileg igazolják. Egy áramköri makrómodell segítségével kiértékeli egy valódi keresztléc tömb rendszerszintű teljesítményét, és eléri a módosított National Institute of Science and Technology (MNIST) adatkészletének 92%-os osztályozási pontosságát. Végül az alacsony vezetőképesség és a nagyon nemlineáris kombináció I–V jellemzői lehetővé teszik nagy szelektor nélküli keresztlécek megvalósítását a neuromorf hardveres gyorsítókhoz.”

Keresse meg a műszaki papír itt. Megjelent 2023 decemberében.

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

Kapcsolódó olvasás
A mesterséges intelligencia energiahatékonyságának növelése Compute In Memory segítségével
Hogyan dolgozzuk fel a zettaméretű munkaterheléseket és maradjunk a rögzített energiaköltségvetésen belül.
Modellezés Compute In Memory biológiai hatékonysággal
A generatív AI arra kényszeríti a chipgyártókat, hogy intelligensebben használják fel a számítási erőforrásokat.

Időbélyeg:

Még több Semi Engineering