Połączenia tuneli ferroelektrycznych w analogowych akceleratorach obliczeniowych typu Crossbar Array w pamięci

Naukowcy z Uniwersytetu w Lund opublikowali artykuł techniczny zatytułowany „Ferroelektryczne memrystory połączeń tunelowych dla akceleratorów obliczeniowych w pamięci”.

Abstrakcyjny:

„Obliczenia neuromorficzne cieszą się dużym zainteresowaniem, ponieważ postęp w zastosowaniach sztucznej inteligencji (AI) ujawnił ograniczenia wynikające z dużego dostępu do pamięci w architekturze obliczeniowej von Neumanna. Równoległe przetwarzanie w pamięci zapewniane przez przetwarzanie neuromorficzne może znacząco poprawić opóźnienia i zużycie energii. Kluczem do analogowego neuromorficznego sprzętu komputerowego są memrystory, zapewniające nieulotne poziomy przewodności wielostanowej, dużą prędkość przełączania i efektywność energetyczną. Głównymi kandydatami do tego celu są memrystory ferroelektrycznych złącz tunelowych (FTJ), ale wpływ szczególnych właściwości na ich działanie po integracji z dużymi układami poprzecznymi, będącym głównym elementem obliczeniowym zarówno do wnioskowania, jak i uczenia w głębokich sieciach neuronowych, wymaga dokładnego zbadania. W tej pracy W/Hf _x Zr_1−x O₂/TiN FTJ z 60 programowalnymi stanami przewodnictwa, zakresem dynamiki (DR) do 10, gęstością prądu >3 A m^-2 at V _czytać = 0.3 V i wysoce nieliniowe napięcie prądowo-napięciowe (I–V) charakterystykę (>1100) wykazano eksperymentalnie. Za pomocą makromodelu obwodu ocenia się wydajność prawdziwego układu poprzecznego na poziomie systemu i osiąga się 92% dokładność klasyfikacji zbioru danych Zmodyfikowanego Narodowego Instytutu Nauki i Technologii (MNIST). Wreszcie niska przewodność w połączeniu z wysoce nieliniową I–V Charakterystyka umożliwia realizację dużych, wolnych od selektorów tablic poprzecznych dla neuromorficznych akceleratorów sprzętowych.”

Znajdź papier techniczny tutaj. Opublikowano w grudniu 2023 r.

Athle, R. i Borg, M. (2023), Ferroelektryczne memrystory połączeń tunelowych dla akceleratorów obliczeniowych w pamięci. Adw. Intel. System. 2300554. https://doi.org/10.1002/aisy.202300554

Powiązane artykuły
Zwiększanie efektywności energetycznej AI dzięki przetwarzaniu w pamięci
Jak przetwarzać obciążenia w skali zetta i nie przekraczać ustalonego budżetu mocy.
Modelowanie obliczeń w pamięci z wydajnością biologiczną
Generatywna sztuczna inteligencja zmusza producentów chipów do bardziej inteligentnego wykorzystywania zasobów obliczeniowych.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/