Ferroelectric Tunnel Junctions In Crossbar Array Analog In-Memory Compute Accelerators

Heruitgegeven door Plato

volgers: 0

Een technisch artikel met de titel “Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators” werd gepubliceerd door onderzoekers van de Universiteit van Lund.

Abstract:

“Neuromorphic computing heeft grote belangstelling gekend, omdat sprongen in kunstmatige intelligentie (AI)-toepassingen beperkingen hebben blootgelegd als gevolg van zware geheugentoegang, met de computerarchitectuur van von Neumann. De parallelle in-memory computing die wordt geboden door neuromorphic computing heeft het potentieel om de latentie en het energieverbruik aanzienlijk te verbeteren. De sleutel tot analoge neuromorfe computerhardware zijn memristors, die niet-vluchtige geleidingsniveaus in meerdere toestanden, hoge schakelsnelheid en energie-efficiëntie bieden. Ferro-elektrische tunneljunctie (FTJ)-memristors zijn voor dit doel belangrijke kandidaten, maar de impact van de specifieke kenmerken op hun prestaties bij integratie in grote crossbar-arrays, het kerncomputerelement voor zowel gevolgtrekking als training in diepe neurale netwerken, vereist nauwgezet onderzoek. In dit werk is een W/Hf_xZr_1-xO₂/TiN FTJ met 60 programmeerbare geleidingstoestanden, een dynamisch bereik (DR) tot 10, stroomdichtheid >3 A m^-2 at V _{dit artikel lezen} = 0.3 V en zeer niet-lineaire stroom-spanning (I-V) kenmerken (>1100) is experimenteel aangetoond. Met behulp van een circuitmacromodel worden de prestaties op systeemniveau van een echte crossbar-array geëvalueerd en wordt een classificatienauwkeurigheid van 92% van de dataset van het gemodificeerde nationale instituut voor wetenschap en technologie (MNIST) bereikt. Tenslotte de lage geleiding in combinatie met het zeer niet-lineaire I-V Kenmerken maken de realisatie mogelijk van grote selectorvrije crossbar-arrays voor neuromorfe hardwareversnellers.”

Vind de technisch document hier. Gepubliceerd december 2023.

Athle, R. en Borg, M. (2023), Ferro-elektrische tunnelverbindingsmemristors voor in-memory computerversnellers. Gev. Intel. Systeem. 2300554. https://doi.org/10.1002/aisy.202300554

Gerelateerd lezen
Het verhogen van de AI-energie-efficiëntie met rekenkracht in het geheugen
Hoe u zettascale-workloads kunt verwerken en binnen een vast energiebudget kunt blijven.
Modellering van rekenkracht in het geheugen met biologische efficiëntie
Generatieve AI dwingt chipmakers om computerbronnen intelligenter te gebruiken.