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

Återutgiven av Platon

anhängare: 0

En teknisk artikel med titeln "Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators" publicerades av forskare vid Lunds universitet.

Sammanfattning:

"Neuromorphic computing har sett stort intresse eftersom språng i applikationer med artificiell intelligens (AI) har exponerat begränsningar på grund av hög minnesåtkomst, med von Neumanns datorarkitektur. Den parallella in-memory computing som tillhandahålls av neuromorphic computing har potential att avsevärt förbättra latens och energiförbrukning. Nyckeln till analog neuromorf datorhårdvara är memristorer, som tillhandahåller icke-flyktiga konduktansnivåer i flera tillstånd, hög omkopplingshastighet och energieffektivitet. Ferroelektriska tunnel junction (FTJ) memristorer är främsta kandidater för detta ändamål, men inverkan av de speciella egenskaperna för deras prestanda vid integration i stora crossbar arrays, kärnberäkningselementet för både slutledning och träning i djupa neurala nätverk, kräver noggrann undersökning. I detta arbete har en W/Hf_xZr_1-xO₂/TiN FTJ med 60 programmerbara konduktanstillstånd, ett dynamiskt område (DR) upp till 10, strömtäthet >3 A m^-2 at V _läsa = 0.3 V och mycket olinjär strömspänning (I–V) egenskaper (>1100) demonstreras experimentellt. Med hjälp av en kretsmakromodell utvärderas prestanda på systemnivå för en äkta tvärstångsuppsättning och en klassificeringsnoggrannhet på 92 % för det modifierade nationsinstitutet för vetenskap och teknologi (MNIST) uppnås. Slutligen den låga konduktansen i kombination med den mycket olinjära I–V egenskaper möjliggör förverkligandet av stora väljarfria tvärbalkar för neuromorfa hårdvaruacceleratorer."

Hitta tekniskt dokument här. Publicerad december 2023.

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

Relaterad läsning
Ökar AI-energieffektiviteten med dator i minnet
Hur man bearbetar zettascale-arbetsbelastningar och håller sig inom en fast energibudget.
Modellering beräkna i minnet med biologisk effektivitet
Generativ AI tvingar chiptillverkare att använda beräkningsresurser mer intelligent.