交叉阵列模拟内存计算加速器中的铁电隧道结

隆德大学的研究人员发表了一篇题为“用于内存计算加速器的铁电隧道结忆阻器”的技术论文。

摘要：

“随着人工智能（AI）应用的飞速发展，冯·诺依曼计算架构暴露出由于大量内存访问而带来的局限性，神经形态计算引起了人们的极大兴趣。神经形态计算提供的并行内存计算有可能显着改善延迟和功耗。模拟神经形态计算硬件的关键是忆阻器，它提供非易失性多态电导水平、高开关速度和能源效率。铁电隧道结 (FTJ) 忆阻器是实现此目的的主要候选者，但特定特性对其性能在集成到大型交叉阵列（深度神经网络推理和训练的核心计算元件）中的影响需要仔细研究。在这项工作中，W/Hf _x Zr_1-x O₂/TiN FTJ 具有 60 种可编程电导状态，动态范围 (DR) 高达 10，电流密度 >3 A m ^{- 2} at V _读 = 0.3 V 和高度非线性的电流-电压 (电流-电压) 特性 (>1100) 已通过实验证明。使用电路宏观模型，评估了真实交叉阵列的系统级性能，并实现了修改后的国家科学技术研究所 (MNIST) 数据集的 92% 分类准确率。最后，低电导与高度非线性相结合 电流-电压 这些特性使得能够实现用于神经形态硬件加速器的大型无选择器交叉阵列。”

找出 技术论文在这里。 2023 年 XNUMX 月发布。

Athle, R. 和 Borg, M. (2023)，用于内存计算加速器的铁电隧道结忆阻器。副词。英特尔。系统。 2300554。 https://doi.org/10.1002/aisy.202300554

相关阅读
通过内存计算提高人工智能能源效率
如何处理 zettascale 工作负载并保持在固定的功耗预算内。
具有生物效率的内存计算建模
生成式人工智能迫使芯片制造商更智能地使用计算资源。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/