Giunzioni di tunnel ferroelettrici negli acceleratori di calcolo analogici in memoria di array di barre incrociate

Un documento tecnico intitolato “Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators” è stato pubblicato dai ricercatori dell’Università di Lund.

Abstract:

“L’informatica neuromorfica ha riscontrato un grande interesse poiché i progressi nelle applicazioni di intelligenza artificiale (AI) hanno messo in luce limitazioni dovute al pesante accesso alla memoria, con l’architettura informatica di von Neumann. Il calcolo parallelo in memoria fornito dal calcolo neuromorfico ha il potenziale per migliorare significativamente la latenza e il consumo energetico. La chiave per l'hardware di elaborazione neuromorfica analogica sono i memristor, che forniscono livelli di conduttanza multistato non volatile, elevata velocità di commutazione ed efficienza energetica. I memristor con giunzione a tunnel ferroelettrico (FTJ) sono i primi candidati per questo scopo, ma l'impatto delle particolari caratteristiche sulle loro prestazioni in caso di integrazione in grandi array di crossbar, l'elemento di calcolo centrale sia per l'inferenza che per l'addestramento nelle reti neurali profonde, richiede un'indagine approfondita. In questo lavoro, un W/Hf _x Zr_1-x O₂/TiN FTJ con 60 stati di conduttanza programmabili, un range dinamico (DR) fino a 10, densità di corrente >3 A m^-2 at V _read = 0.3 V e tensione-corrente altamente non lineare (IV) (>1100) è dimostrato sperimentalmente. Utilizzando un macromodello di circuito, vengono valutate le prestazioni a livello di sistema di un vero crossbar array e viene ottenuta un'accuratezza di classificazione del 92% del set di dati del modificato istituto nazionale di scienza e tecnologia (MNIST). Infine, la bassa conduttanza combinata con l'elevata non lineare IV le caratteristiche consentono la realizzazione di grandi array di barre trasversali senza selettori per acceleratori hardware neuromorfici”.

Trovare il documento tecnico qui. Pubblicato dicembre 2023.

Athle, R. e Borg, M. (2023), Memristor di giunzione del tunnel ferroelettrico per acceleratori di calcolo in-memoria. Avv. Intel. Sist. 2300554. https://doi.org/10.1002/aisy.202300554

Lettura correlata
Aumento dell'efficienza energetica dell'intelligenza artificiale con il calcolo in memoria
Come elaborare carichi di lavoro zettascale e rimanere entro un budget energetico fisso.
Modellazione del calcolo in memoria con efficienza biologica
L’intelligenza artificiale generativa costringe i produttori di chip a utilizzare le risorse di calcolo in modo più intelligente.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/