Joncțiuni de tunel feroelectric în matrice de bare transversale Acceleratoare de calcul analogice în memorie

O lucrare tehnică intitulată „Memristori de joncțiune de tunel ferroelectric pentru acceleratoare de calcul în memorie” a fost publicată de cercetătorii de la Universitatea Lund.

Rezumat:

„Calcul neuromorfic a cunoscut un mare interes, deoarece progresele în aplicațiile de inteligență artificială (AI) au expus limitări din cauza accesului greu la memorie, cu arhitectura de calcul von Neumann. Calculul paralel în memorie oferit de calculul neuromorf are potențialul de a îmbunătăți semnificativ latența și consumul de energie. Cheia hardware-ului de calcul neuromorf analogic sunt memristoarele, care oferă niveluri de conductanță multistate nevolatile, viteză mare de comutare și eficiență energetică. Memristorii de joncțiune de tunel feroelectric (FTJ) sunt candidați principali în acest scop, dar impactul caracteristicilor particulare pentru performanța lor asupra integrării în rețele mari transversale, elementul de calcul de bază atât pentru inferență, cât și pentru antrenament în rețele neuronale profunde, necesită o investigație atentă. În această lucrare, un W/Hf _x Zr_1−x O₂/TiN FTJ cu 60 de stări de conductanță programabile, un interval dinamic (DR) de până la 10, densitate de curent >3 A m^-2 at V _citit = 0.3 V și curent-tensiune foarte neliniară (I–V) (>1100) este demonstrat experimental. Folosind un macro-model de circuit, este evaluată performanța la nivel de sistem a unei rețele de bare transversale adevărate și se obține o precizie de clasificare de 92% a setului de date modificat al institutului național de știință și tehnologie (MNIST). În cele din urmă, conductanța scăzută în combinație cu cea foarte neliniară I–V caracteristicile permit realizarea unor rețele mari de bare transversale fără selector pentru acceleratoarele hardware neuromorfe.”

Găsi lucrare tehnică aici. Publicat în decembrie 2023.

Athle, R. și Borg, M. (2023), Ferroelectric Tunnel Jonction Memristors for In-Memory Computing Accelerators. Adv. Intelege. Syst. 2300554. https://doi.org/10.1002/aisy.202300554

Citire asemănătoare
Creșterea eficienței energetice AI cu calculul în memorie
Cum să procesați sarcinile de lucru la scară zetta și să rămâneți într-un buget fix de energie.
Modelarea calculului în memorie cu eficiență biologică
AI generativă îi obligă pe producătorii de cipuri să folosească resursele de calcul mai inteligent.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/