存在温度、工艺偏差、器件老化与闪烁噪声时基于铁电FinFET的神经形态计算
新兴技术
2022-07-05 v2 机器学习
神经与进化计算
摘要
本文报道了一项关于温度变化、工艺偏差、闪烁噪声与器件老化对预训练全铁电（FE）FinFET深度神经网络推理精度影响的综合研究。基于5 nm厚铪锆氧化物（HZO）的FE-FinFET，实验演示了采用100 ns写入脉冲的新型自适应编程读取算法的多级单元（MLC）操作。以在MNIST数据集上推理精度达97.5%的预训练神经网络（NN）为基线，器件间偏差被证明影响可忽略。不同偏置条件下的闪烁噪声表征显示漏极电流波动小于0.7%，且几乎无推理精度退化。已编程单元的因温度变化导致的电导漂移，由紧凑模型在宽栅偏压范围内捕获。尽管在300K训练的NN于233K下推理精度明显退化，但展示了通过栅偏压优化恢复精度的方法。展示了高于10次的耐久性与外推高于10年的保持特性，这为基于FE-FinFET的边缘设备人工智能铺平了道路。
引用
@article{arxiv.2103.13302,
title = {Neuromorphic Computing with Ferroelectric FinFETs in the Presence of Temperature, Process Variation, Device Aging and Flicker Noise},
author = {Sourav De and Bo-Han Qiu and Wei-Xuan Bu and Md. Aftab Baig and Chung-Jun Su and Yao-Jen Lee and Darsen Lu},
journal= {arXiv preprint arXiv:2103.13302},
year = {2022}
}