ทางแยกอุโมงค์เฟอร์โรอิเล็กทริกใน Crossbar Array ตัวเร่งการประมวลผลในหน่วยความจำแบบอะนาล็อก

เอกสารทางเทคนิคเรื่อง "Ferroelectric Tunnel Junction Memristors for In-Memory Computing Accelerators" ได้รับการตีพิมพ์โดยนักวิจัยจากมหาวิทยาลัย Lund

นามธรรม:

“การประมวลผลแบบ Neuromorphic ได้รับความสนใจอย่างมาก เนื่องจากการก้าวกระโดดของแอปพลิเคชันปัญญาประดิษฐ์ (AI) ได้เผยให้เห็นข้อจำกัดอันเนื่องมาจากการเข้าถึงหน่วยความจำจำนวนมาก ด้วยสถาปัตยกรรมการประมวลผลของ von Neumann การประมวลผลในหน่วยความจำแบบขนานที่มาจากการประมวลผลแบบนิวโรมอร์ฟิกมีศักยภาพในการปรับปรุงเวลาแฝงและการใช้พลังงานได้อย่างมาก กุญแจสำคัญของฮาร์ดแวร์คอมพิวเตอร์นิวโรมอร์ฟิกแบบอะนาล็อกคือเมมริสเตอร์ ซึ่งให้ระดับสื่อกระแสไฟฟ้าหลายสเตตแบบไม่ลบเลือน ความเร็วในการสวิตชิ่งสูง และประสิทธิภาพการใช้พลังงาน เมมริสเตอร์อุโมงค์เชื่อมต่อเฟอร์โรอิเล็กทริก (FTJ) เป็นตัวเลือกที่สำคัญสำหรับจุดประสงค์นี้ แต่ผลกระทบของคุณลักษณะเฉพาะสำหรับประสิทธิภาพการทำงานเมื่อรวมเข้ากับอาร์เรย์คานประตูขนาดใหญ่ ซึ่งเป็นองค์ประกอบการประมวลผลหลักสำหรับทั้งการอนุมานและการฝึกอบรมในโครงข่ายประสาทเทียมเชิงลึก จำเป็นต้องมีการตรวจสอบอย่างใกล้ชิด ในงานนี้ W/Hf _x Zr_1-x O₂/TiN FTJ พร้อมสถานะสื่อไฟฟ้าที่ตั้งโปรแกรมได้ 60 สถานะ, ช่วงไดนามิก (DR) สูงสุด 10, ความหนาแน่นกระแส >3 A m^-2 at V _อ่าน = 0.3 V และแรงดันไฟฟ้ากระแสไม่เชิงเส้นสูง (ไอ–วี) คุณลักษณะ (>1100) ได้รับการสาธิตจากการทดลอง เมื่อใช้แบบจำลองมาโครวงจร ประสิทธิภาพระดับระบบของอาร์เรย์คานจริงจะได้รับการประเมิน และบรรลุความแม่นยำในการจำแนกประเภท 92% ของชุดข้อมูลสถาบันวิทยาศาสตร์และเทคโนโลยีแห่งชาติที่ได้รับการดัดแปลง (MNIST) ในที่สุด ค่าสื่อกระแสไฟฟ้าต่ำร่วมกับค่าไม่เชิงเส้นสูง ไอ–วี ลักษณะเฉพาะช่วยให้เกิดอาร์เรย์คานแบบไม่มีตัวเลือกขนาดใหญ่สำหรับตัวเร่งฮาร์ดแวร์นิวโรมอร์ฟิก”

หา เอกสารทางเทคนิคที่นี่ เผยแพร่เมื่อเดือนธันวาคม 2023

Athle, R. และ Borg, M. (2023), Ferroelectric Tunnel Junction Memristors สำหรับตัวเร่งความเร็วคอมพิวเตอร์ในหน่วยความจำ โฆษณา Intell ระบบ 2300554. https://doi.org/10.1002/aisy.202300554

การอ่านที่เกี่ยวข้อง
การเพิ่มประสิทธิภาพพลังงาน AI ด้วยการประมวลผลในหน่วยความจำ
วิธีประมวลผลปริมาณงานระดับเซ็ตและอยู่ภายในงบประมาณด้านพลังงานคงที่
การสร้างแบบจำลองการคำนวณในหน่วยความจำด้วยประสิทธิภาพทางชีวภาพ
AI เจนเนอเรชั่นบังคับให้ผู้ผลิตชิปใช้ทรัพยากรการประมวลผลอย่างชาญฉลาดยิ่งขึ้น

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/