Ferroelektriske tunnelforbindelser i tverrstangsarray Analog in-memory Compute Accelerators

En teknisk artikkel med tittelen "Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators" ble publisert av forskere ved Lunds universitet.

Abstrakt:

"Neuromorf databehandling har sett stor interesse ettersom sprang innen kunstig intelligens (AI)-applikasjoner har eksponert begrensninger på grunn av tung minnetilgang, med von Neumann dataarkitektur. Den parallelle in-memory databehandlingen levert av nevromorf databehandling har potensial til å forbedre ventetiden og strømforbruket betydelig. Nøkkelen til analog nevromorf databehandlingsmaskinvare er memristorer, som gir ikke-flyktige multistate konduktansnivåer, høy byttehastighet og energieffektivitet. Ferroelektriske tunnel junction (FTJ) memristorer er hovedkandidater for dette formålet, men virkningen av de spesielle egenskapene for deres ytelse ved integrering i store tverrstangsarrayer, kjerneberegningselementet for både inferens og trening i dype nevrale nettverk, krever nøye undersøkelse. I dette arbeidet er en W/Hf _x Zr_1-x O₂/TiN FTJ med 60 programmerbare konduktanstilstander, et dynamisk område (DR) opptil 10, strømtetthet >3 A m^-2 at V _lese = 0.3 V og svært ikke-lineær strømspenning (I–V) egenskaper (>1100) er eksperimentelt demonstrert. Ved å bruke en kretsmakromodell evalueres ytelsen på systemnivå til en ekte tverrstangarray, og det oppnås en 92 % klassifiseringsnøyaktighet for det modifiserte nasjonsinstituttet for vitenskap og teknologi (MNIST). Til slutt, den lave konduktansen i kombinasjon med den svært ikke-lineære I–V egenskaper muliggjør realisering av store velgerfrie tverrstangarrays for nevromorfe maskinvareakseleratorer."

Finn det teknisk papir her. Publisert desember 2023.

Athle, R. og Borg, M. (2023), Ferroelektriske tunnelkoblingsminner for dataakseleratorer i minnet. Adv. Intell. Syst. 2300554. https://doi.org/10.1002/aisy.202300554

Relatert Reading
Øker AI-energieffektiviteten med databehandling i minnet
Hvordan behandle zettascale arbeidsbelastninger og holde seg innenfor et fast strømbudsjett.
Modellering av beregninger i minnet med biologisk effektivitet
Generativ AI tvinger brikkeprodusenter til å bruke dataressurser mer intelligent.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/