Réseau neuronal bayésien basé sur Memristor

Des chercheurs du CEA-Leti, du CEA-List et du CNRS ont construit une réseau neuronal bayésien basé sur memristor mise en œuvre pour classer les types d'enregistrements d'arythmies avec une incertitude aléatoire et épistémique précise.

Bien que les réseaux neuronaux bayésiens soient utiles pour les applications de traitement sensoriel basées sur une petite quantité de données d'entrée bruitées, car ils fournissent une évaluation prédictive de l'incertitude, leur nature probabiliste signifie des besoins accrus en énergie et en calcul dus à l'utilisation de générateurs de nombres aléatoires, qui stockent les distributions de probabilité.

« Nous avons exploité la variabilité intrinsèque des memristors pour stocker ces distributions de probabilité, au lieu d'utiliser des générateurs de nombres aléatoires », explique Elisa Vianello, directrice scientifique du CEA-Leti, dans un communiqué. L’approche pour effectuer l’inférence nécessite des opérations massives de multiplication et d’accumulation (MAC) parallèles. « Ces opérations sont gourmandes en énergie lorsqu'elles sont effectuées sur des ASIC basés sur CMOS et des réseaux de portes programmables sur site, en raison de la navette des données entre le processeur et la mémoire. Dans notre solution, nous utilisons des barres croisées de memristors qui mettent naturellement en œuvre la multiplication entre la tension d'entrée et le poids synaptique probabiliste via la loi d'Ohm, et l'accumulation via la loi actuelle de Kirchhoff, pour réduire considérablement la consommation d'énergie.

L'approche permet une quantification de l'incertitude, ce qui permet au réseau d'identifier des situations qui pourraient se situer en dehors de ses données de formation. [1]

Memristors hybrides à changement de phase

Des scientifiques de l'Université de Rochester ont développé commutateurs résistifs hybrides qui combinent des memristors et des matériaux à changement de phase.

"Nous avons combiné l'idée d'un memristor et d'un dispositif à changement de phase d'une manière qui peut aller au-delà des limites de l'un ou l'autre appareil", a déclaré Stephen M. Wu, professeur adjoint de génie électrique et informatique et de physique à Rochester. dans un communiqué. « Nous fabriquons un dispositif memristor à deux bornes, qui pilote un type de cristal vers un autre type de phase cristalline. Ces deux phases cristallines ont des résistances différentes que vous pouvez ensuite stocker en mémoire.

En soumettant les matériaux 2D à des contraintes, ils peuvent se trouver à un point situé entre deux phases cristallines différentes et peuvent être poussés dans les deux sens avec relativement peu de puissance.

"Nous l'avons conçu en étirant simplement le matériau dans une direction et en le comprimant dans une autre", a poursuivi Wu. « En faisant cela, vous améliorez les performances de plusieurs ordres de grandeur. Je vois une voie où cela pourrait aboutir dans les ordinateurs personnels sous la forme d'une forme de mémoire ultra-rapide et ultra-efficace. Cela pourrait avoir de grandes implications pour l’informatique en général. [2]

Dispositif mémristif à base d'argent

Des chercheurs de l'Université Sahmyook et de l'Université Yonsei proposent d'utiliser un film mince de chalcogénure dispersif d'argent pour la commutation de résistance dans les dispositifs memristifs.

« Notre dispositif memristif diffusif à base d'Ag dans un film mince de chalcogénure présente une faible consommation d'énergie et imite le traitement parallèle du cerveau humain. Cela le rend approprié pour une mise en œuvre dans des réseaux crossbar, et il a atteint un taux de reconnaissance d'environ 92 % dans la base de données de reconnaissance de chiffres manuscrits du MNIST (Modified National Institute of Standards and Technology) », a déclaré Min Kyu Yang, professeur à l'Université Sahmyook, dans un communiqué. .

Le dispositif ne nécessite pas de courant électrique pour induire une modification chimique avant la fabrication ou l'exploitation et a démontré à la fois une rétention d'état et une endurance fiable dans un environnement de 85 °C pendant 2 heures. [3]

Bibliographie

[1] Bonnet, D., Hirtzlin, T., Majumdar, A. et al. Amener la quantification de l'incertitude à l'extrême grâce aux réseaux neuronaux bayésiens basés sur les memristors. Nat Commun 14, 7530 (2023). https://doi.org/10.1038/s41467-023-43317-9

[2] Hou, W., Azizimanesh, A., Dey, A. et al. Ingénierie de déformation de memristors verticaux à changement de phase ditellurure de molybdène. Nat Electron (2023). https://doi.org/10.1038/s41928-023-01071-2

[3] Su Yeon Lee, Jin Joo Ryu, Hyun Kyu Seo, Hyunchul Sohn, Gun Hwan Kim, Min Kyu Yang, Supports de chalcogénure Ag-dispersifs pour memristor électronique facilement activé, Applied Surface Science, Volume 644, 2024, 158747, ISSN 0169 -4332, https://doi.org/10.1016/j.apsusc.2023.158747