クロスバーアレイの強誘電体トンネルジャンクションアナログインメモリコンピューティングアクセラレータ

プラトン再発行

フォロワー： 0

「インメモリコンピューティングアクセラレータのための強誘電体トンネル接合メモリスタ」というタイトルの技術論文がルンド大学の研究者によって発表されました。

要約：

「人工知能 (AI) アプリケーションの飛躍的進歩により、フォンノイマンコンピューティングアーキテクチャによる大量のメモリアクセスによる制限が明らかになったことで、ニューロモーフィックコンピューティングは大きな関心を集めています。ニューロモーフィックコンピューティングによって提供される並列インメモリコンピューティングは、レイテンシーと消費電力を大幅に改善する可能性があります。アナログニューロモーフィックコンピューティングハードウェアの鍵となるのは、不揮発性マルチステートコンダクタンスレベル、高いスイッチング速度、エネルギー効率を提供するメモリスタです。強誘電体トンネル接合 (FTJ) メモリスタは、この目的の主な候補ですが、ディープニューラルネットワークの推論とトレーニングの両方のための中核となる計算要素である大規模なクロスバーアレイに統合する際に、メモリスタのパフォーマンスに特定の特性が与える影響については、綿密な調査が必要です。この作品ではW/Hf_xZr_1－xO₂/TiN FTJ、60 のプログラム可能なコンダクタンス状態、最大 10 のダイナミックレンジ (DR)、電流密度 >3 A m^-2 at V _read = 0.3 V および高度に非直線性の電流電圧 (I–V) 特性 (>1100) が実験的に実証されています。回路マクロモデルを使用して、真のクロスバーアレイのシステムレベルのパフォーマンスが評価され、修正された国立科学技術研究所 (MNIST) データセットの分類精度 92% が達成されました。最後に、低いオンコンダクタンスと高度な非線形性の組み合わせ I–V この特性により、ニューロモーフィックハードウェアアクセラレータ用の大規模なセレクター不要のクロスバーアレイの実現が可能になります。」

見つけるテクニカルペーパーはこちら。 2023 年 XNUMX 月に発行。

Athle, R. および Borg, M. (2023)、インメモリコンピューティングアクセラレータ用の強誘電体トンネル接合メモリスタ。上級知性。システム。 2300554。 https://doi.org/10.1002/aisy.202300554

関連レディング
Compute In Memory による AI のエネルギー効率の向上
ゼッタスケールのワークロードを処理し、固定電力バジェット内に抑える方法。
生物学的効率を備えたメモリ内計算のモデリング
ジェネレーティブ AI により、チップメーカーはコンピューティングリソースをよりインテリジェントに使用することが求められます。