Сегнетоелектричні тунельні з’єднання в аналогових обчислювальних прискорювачах із вбудованою пам’яттю.

Дослідники Лундського університету опублікували технічну статтю під назвою «Сегнетоелектричні тунельні мемристори для обчислювальних прискорювачів у пам’яті».

Анотація:

«Нейроморфні обчислення викликали великий інтерес, оскільки стрибки в додатках штучного інтелекту (ШІ) виявили обмеження через важкий доступ до пам’яті з обчислювальною архітектурою фон Неймана. Паралельні обчислення в пам’яті, що забезпечуються нейроморфними обчисленнями, можуть значно зменшити затримку та енергоспоживання. Ключем до аналогового нейроморфного обчислювального обладнання є мемристори, що забезпечують енергонезалежні рівні провідності в багатьох станах, високу швидкість перемикання та енергоефективність. Мемристори із сегнетоелектричним тунельним переходом (FTJ) є основними кандидатами для цієї мети, але вплив конкретних характеристик на їх продуктивність при інтеграції у великі поперечні масиви, основний обчислювальний елемент як для висновків, так і для навчання глибоких нейронних мереж, вимагає ретельного дослідження. У цій роботі W/Hf _x Zr_1-x O₂/TiN FTJ з 60 програмованими станами провідності, динамічним діапазоном (DR) до 10, щільністю струму >3 А м^-2 at V _{зчитування} = 0.3 В і сильно нелінійний струм-напруга (I–V) характеристик (>1100) експериментально продемонстровано. За допомогою макромоделі схеми оцінюється продуктивність справжнього поперечного масиву на системному рівні та досягається 92% точності класифікації модифікованого набору даних Національного науково-технічного інституту (MNIST). Нарешті, низька провідність у поєднанні з високою нелінійністю I–V характеристики дозволяють реалізувати великі масиви поперечних панелей без селекторів для нейроморфних апаратних прискорювачів».

Знайти технічний документ тут. Опубліковано грудень 2023 р.

Атл, Р. і Борг, М. (2023), Сегнетоелектричні тунельні мемристори для обчислювальних прискорювачів у пам’яті. Adv. Intell. сист. 2300554. https://doi.org/10.1002/aisy.202300554

Пов'язане читання
Підвищення енергоефективності ШІ за допомогою обчислень у пам’яті
Як обробляти робочі навантаження zettascale і залишатися в межах фіксованого бюджету електроенергії.
Моделювання обчислень у пам’яті з біологічною ефективністю
Generative AI змушує виробників чіпів використовувати обчислювальні ресурси більш розумно.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/