面向边缘神经形态计算的多层级、无形成、体开关三层 RRAM
新兴技术
2023-10-24 v1 无序系统与神经网络
神经与进化计算
摘要
基于阻变存储器的可重构系统由 CMOS-RRAM 集成构建，在低能耗与高吞吐神经形态计算方面前景广阔。然而，大多数依赖细丝开关的 RRAM 技术受限于变异与噪声，导致计算精度损失、能耗增加以及昂贵编程校验方案带来的开销。细丝型 RRAM 器件的低导通电阻因高电流读写操作进一步增加能耗，并限制阵列规模与并行乘累加操作。细丝型 RRAM 所需的高形成电压与先进 CMOS 技术节点不兼容。为应对所有这些挑战，我们开发了一种基于三层金属氧化物堆叠的无形成、体开关 RRAM 技术。我们系统性地设计了三层金属氧化物 RRAM 堆叠，并研究了具有不同厚度与跨三层氧空位分布的 RRAM 器件的开关特性，以实现无任何细丝形成的可靠体开关。我们展示了在兆欧区间具有高电流非线性的体开关操作，并在无顺从电流下编程达 100 个层级。我们通过将节能的开关电容电压传感电路与权重的差分编码相结合，开发了基于三层体 RRAM 交叉阵列的神经形态存内计算平台，实验演示了高精度矩阵-向量乘法。我们通过实现用于自主导航/竞速任务的脉冲神经网络模型，展示了体 RRAM 交叉阵列的计算能力。我们的工作解决了现有 RRAM 技术带来的挑战，并为在严格尺寸、重量与功耗约束下的边缘神经形态计算铺平了道路。
引用
@article{arxiv.2310.13844,
title = {Multi-level, Forming Free, Bulk Switching Trilayer RRAM for Neuromorphic Computing at the Edge},
author = {Jaeseoung Park and Ashwani Kumar and Yucheng Zhou and Sangheon Oh and Jeong-Hoon Kim and Yuhan Shi and Soumil Jain and Gopabandhu Hota and Amelie L. Nagle and Catherine D. Schuman and Gert Cauwenberghs and Duygu Kuzum},
journal= {arXiv preprint arXiv:2310.13844},
year = {2023}
}