Một bài báo kỹ thuật có tiêu đề “Memristor nối đường hầm sắt điện cho bộ tăng tốc máy tính trong bộ nhớ” đã được xuất bản bởi các nhà nghiên cứu tại Đại học Lund.

Tóm tắt:

“Điện toán mô phỏng thần kinh đã nhận được sự quan tâm lớn khi những bước nhảy vọt trong ứng dụng trí tuệ nhân tạo (AI) đã bộc lộ những hạn chế do khả năng truy cập bộ nhớ nặng, với kiến ​​trúc điện toán von Neumann. Điện toán song song trong bộ nhớ được cung cấp bởi điện toán mô phỏng thần kinh có khả năng cải thiện đáng kể độ trễ và mức tiêu thụ điện năng. Chìa khóa của phần cứng điện toán mô phỏng thần kinh tương tự là các điện trở nhớ, cung cấp mức độ dẫn đa trạng thái không bay hơi, tốc độ chuyển mạch cao và hiệu quả sử dụng năng lượng. Các điện trở nhớ đường hầm sắt điện (FTJ) là ứng cử viên chính cho mục đích này, nhưng tác động của các đặc tính cụ thể đối với hiệu suất của chúng khi tích hợp vào các mảng thanh ngang lớn, thành phần điện toán cốt lõi cho cả suy luận và huấn luyện trong mạng lưới thần kinh sâu, đòi hỏi phải được nghiên cứu kỹ lưỡng. Trong tác phẩm này, W/Hf _x Zr_1−x O₂/TiN FTJ với 60 trạng thái độ dẫn có thể lập trình, dải động (DR) lên tới 10, mật độ dòng điện >3 A m^-2 at V _đọc = 0.3 V và điện áp dòng điện phi tuyến cao (Tôi-V) (>1100) được chứng minh bằng thực nghiệm. Bằng cách sử dụng mô hình vĩ mô mạch, hiệu suất cấp hệ thống của mảng thanh ngang thực sự được đánh giá và đạt được độ chính xác phân loại 92% của bộ dữ liệu của viện khoa học và công nghệ quốc gia đã sửa đổi (MNIST). Cuối cùng, độ dẫn thấp kết hợp với tính phi tuyến cao Tôi-V các đặc điểm cho phép hiện thực hóa các mảng thanh ngang lớn không có bộ chọn cho các máy gia tốc phần cứng hình thái thần kinh.”

Tìm giấy kỹ thuật tại đây. Được xuất bản vào tháng 2023 năm XNUMX.

Athle, R. và Borg, M. (2023), Điện trở nối đường hầm sắt điện cho máy gia tốc máy tính trong bộ nhớ. Khuyến cáo. Trí tuệ. Hệ thống. 2300554. https://doi.org/10.1002/aisy.202300554

Đọc liên quan
Tăng hiệu quả sử dụng năng lượng AI bằng tính toán trong bộ nhớ
Cách xử lý khối lượng công việc ở quy mô zetta và duy trì trong ngân sách điện năng cố định.
Mô hình hóa tính toán trong bộ nhớ với hiệu quả sinh học
AI sáng tạo buộc các nhà sản xuất chip sử dụng tài nguyên điện toán một cách thông minh hơn.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://semiengineering.com/ferroelectric-tunnel-junctions-in-crossbar-array-analog-in-memory-compute-accelerators/