Persimpangan Terowongan Feroelektrik Dalam Akselerator Komputasi Analog Dalam Memori Crossbar Array

Makalah teknis berjudul “Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators” diterbitkan oleh para peneliti di Lund University.

Abstrak:

“Komputasi neuromorfik mendapatkan perhatian yang besar karena lompatan dalam aplikasi kecerdasan buatan (AI) telah mengungkap keterbatasan akibat akses memori yang besar, dengan arsitektur komputasi von Neumann. Komputasi dalam memori paralel yang disediakan oleh komputasi neuromorfik berpotensi meningkatkan latensi dan konsumsi daya secara signifikan. Kunci dari perangkat keras komputasi neuromorfik analog adalah memristor, yang menyediakan tingkat konduktansi multistatus yang non-volatil, kecepatan peralihan yang tinggi, dan efisiensi energi. Memristor persimpangan terowongan feroelektrik (FTJ) adalah kandidat utama untuk tujuan ini, namun dampak karakteristik tertentu terhadap kinerjanya setelah diintegrasikan ke dalam susunan palang besar, elemen komputasi inti untuk inferensi dan pelatihan dalam jaringan saraf dalam, memerlukan penyelidikan yang cermat. Dalam karya ini, W/Hf _x Zr_1−x O₂/TiN FTJ dengan 60 status konduktansi yang dapat diprogram, rentang dinamis (DR) hingga 10, kepadatan arus >3 A m^-2 at V _{Baca baca} = 0.3 V dan tegangan arus sangat nonlinier (saya – V) karakteristik (>1100) ditunjukkan secara eksperimental. Dengan menggunakan model makro sirkuit, kinerja tingkat sistem dari susunan palang sebenarnya dievaluasi dan akurasi klasifikasi sebesar 92% dari kumpulan data Institut Sains dan Teknologi Negara (MNIST) yang dimodifikasi tercapai. Terakhir, rendahnya konduktansi dikombinasikan dengan sangat nonlinier saya – V karakteristik memungkinkan realisasi susunan palang bebas pemilih yang besar untuk akselerator perangkat keras neuromorfik.”

Cari makalah teknis di sini. Diterbitkan Desember 2023.

Athle, R. dan Borg, M. (2023), Memristor Persimpangan Terowongan Feroelektrik untuk Akselerator Komputasi Dalam Memori. Adv. Intel. sistem. 2300554. https://doi.org/10.1002/aisy.202300554

Bacaan Terkait
Meningkatkan Efisiensi Energi AI Dengan Komputasi Dalam Memori
Cara memproses beban kerja skala zetta dan tetap sesuai anggaran daya tetap.
Pemodelan Komputasi Dalam Memori Dengan Efisiensi Biologis
AI generatif memaksa pembuat chip untuk menggunakan sumber daya komputasi dengan lebih cerdas.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/