論文の概要: Multi-level, Forming Free, Bulk Switching Trilayer RRAM for Neuromorphic Computing at the Edge

• arxiv url: http://arxiv.org/abs/2310.13844v1
• Date: Fri, 20 Oct 2023 22:37:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 04:59:42.333947
• Title: Multi-level, Forming Free, Bulk Switching Trilayer RRAM for Neuromorphic Computing at the Edge
• Title（参考訳）: エッジにおけるニューロモルフィックコンピューティングのためのマルチレベル自由バルクスイッチング三層RRAM
• Authors: Jaeseoung Park (1), Ashwani Kumar (1), Yucheng Zhou (1), Sangheon Oh (1), Jeong-Hoon Kim (1), Yuhan Shi (1), Soumil Jain (2), Gopabandhu Hota (1), Amelie L. Nagle (3), Catherine D. Schuman (4), Gert Cauwenberghs (2) and Duygu Kuzum (1) ((1) Department of Electrical and Computer Engineering, (2) Department of Bioengineering, University of California, San Diego, CA, USA. (3) Department of Computer Science, Massachusetts Institute of Technology, MA, USA. (4) Department of Electrical Engineering and Computer Science, University of Tennessee, TN, USA.)
• Abstract要約: 我々は三層金属酸化物スタックをベースとした成形・バルク切替RRAM技術を開発した。 我々は三層バルクRRAMクロスバーに基づくニューロモルフィック・コンピューティング・イン・メモリプラットフォームを開発した。 我々の研究は、厳格なサイズ、重み、パワー制約の下で、エッジでのニューロモルフィックコンピューティングの道を開いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resistive memory-based reconfigurable systems constructed by CMOS-RRAM integration hold great promise for low energy and high throughput neuromorphic computing. However, most RRAM technologies relying on filamentary switching suffer from variations and noise leading to computational accuracy loss, increased energy consumption, and overhead by expensive program and verify schemes. Low ON-state resistance of filamentary RRAM devices further increases the energy consumption due to high-current read and write operations, and limits the array size and parallel multiply & accumulate operations. High-forming voltages needed for filamentary RRAM are not compatible with advanced CMOS technology nodes. To address all these challenges, we developed a forming-free and bulk switching RRAM technology based on a trilayer metal-oxide stack. We systematically engineered a trilayer metal-oxide RRAM stack and investigated the switching characteristics of RRAM devices with varying thicknesses and oxygen vacancy distributions across the trilayer to achieve reliable bulk switching without any filament formation. We demonstrated bulk switching operation at megaohm regime with high current nonlinearity and programmed up to 100 levels without compliance current. We developed a neuromorphic compute-in-memory platform based on trilayer bulk RRAM crossbars by combining energy-efficient switched-capacitor voltage sensing circuits with differential encoding of weights to experimentally demonstrate high-accuracy matrix-vector multiplication. We showcased the computational capability of bulk RRAM crossbars by implementing a spiking neural network model for an autonomous navigation/racing task. Our work addresses challenges posed by existing RRAM technologies and paves the way for neuromorphic computing at the edge under strict size, weight, and power constraints.
• Abstract（参考訳）: CMOS-RRAM統合によって構成された抵抗性メモリベースの再構成可能システムは、低エネルギー・高スループットニューロモルフィックコンピューティングに大いに期待できる。 しかし、フィラメントスイッチングに依存するほとんどのRRAM技術は、計算精度の低下、エネルギー消費の増加、高価なプログラムと検証方式によるオーバーヘッドにつながる変動とノイズに悩まされている。 フィラメント型RRAMデバイスのオンステート抵抗は、高電流読み書き操作によるエネルギー消費をさらに増加させ、配列サイズと並列乗算および累積演算を制限する。 フィラメントRRAMに必要な高速電圧は、高度なCMOS技術ノードと互換性がない。 これらの課題に対処するため,三層金属酸化物スタックをベースとした成形・バルクスイッチングRRAM技術を開発した。 我々は, 3層金属酸化物RRAMスタックを系統的に設計し, フィラメント形成を伴わない信頼性の高いバルクスイッチングを実現するために, 厚みの異なるRRAMデバイスのスイッチング特性を3層にわたって検討した。 高電流非線形性メガオームレジームにおけるバルクスイッチング動作を実証し,コンプライアンス電流を伴わずに最大100レベルまでプログラムした。 エネルギー効率の高いスイッチトキャパシタ電圧センシング回路と重みの差分符号化を組み合わせた三層バルクrramクロスバーに基づくニューロモルフィック計算プラットフォームを開発し,高精度行列ベクトル乗算を実験的に実証した。 自律的ナビゲーション・ラッキングタスクのためのスパイクニューラルネットワークモデルを実装し,バルクrramクロスバーの計算能力を示した。 我々の研究は、既存のRRAM技術によって引き起こされる課題に対処し、厳格なサイズ、重量、電力制約の下で、エッジでのニューロモルフィックコンピューティングの道を開く。

関連論文リスト

• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Evaluation of STT-MRAM as a Scratchpad for Training in ML Accelerators [9.877596714655096]
  深層ニューラルネットワーク(DNN)のトレーニングは非常にメモリ集約的なプロセスである。 Spin-Transfer-Torque MRAM (STT-MRAM) は、加速器の訓練に望ましいいくつかの特性を提供する。 MRAMはシステムレベルのエネルギーを最大15-22倍改善することを示す。
  論文  参考訳（メタデータ） (2023-08-03T20:36:48Z)
• Scaling Limits of Memristor-Based Routers for Asynchronous Neuromorphic Systems [2.5264231114078353]
  マルチコアニューロモルフィックシステムは、通常、コア間のスパイク伝達にオンチップルータを使用する。 有望な代替手段は、メムリシティブなクロスバーアレイの機能を利用して、スパイクをルーティングするプログラム可能なスイッチ行列として使用することである。 本稿では,非同期スパイキングニューラルネットワーク(SNN)ハードウェアでスパイクを送信するためのルーティングチャネルとして使用する場合,メムリシティブなクロスバーアレイの課題について検討する。
  論文  参考訳（メタデータ） (2023-07-16T17:50:24Z)
• TL-nvSRAM-CIM: Ultra-High-Density Three-Level ReRAM-Assisted Computing-in-nvSRAM with DC-Power Free Restore and Ternary MAC Operations [8.669532093397065]
  本研究では,大規模NNモデルのための超高密度3レベルReRAM支援計算方式を提案する。 提案したTL-nvSRAM-CIMは、ステートアートよりも7.8倍高いストレージ密度を実現している。
  論文  参考訳（メタデータ） (2023-07-06T01:46:06Z)
• The Combination of Metal Oxides as Oxide Layers for RRAM and Artificial Intelligence [0.0]
  金属酸化物をベースとしたRRAMとAIの組み合わせの概要について概説する。 我々は、RRAMデバイスの性能向上のためのAIの使用と、AIを駆動するRRAMの使用について論じる。 この分野における重要な課題に対処し、今後の研究方向性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-04-29T04:15:50Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Improving Inference Lifetime of Neuromorphic Systems via Intelligent Synapse Mapping [0.2578242050187029]
  RRAMセルは、コンテンツを一定回数読み込んだ後に状態を切り替えることができる。 本稿では,RRAMに基づくニューロモルフィックシステムの可読性向上のためのアーキテクチャ手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T20:12:47Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• SmartDeal: Re-Modeling Deep Network Weights for Efficient Inference and Training [82.35376405568975]
  ディープニューラルネットワーク(DNN)は重いパラメータ化を伴い、ストレージ用の外部動的ランダムアクセスメモリ(DRAM)につながります。 We present SmartDeal (SD), a algorithm framework to trade high-cost memory storage/ access for lower-cost compute。 SDは貯蔵および訓練エネルギーの10.56xそして4.48x減少、最先端の訓練のベースラインと比較される無視可能な正確さの損失をもたらすことを示します。
  論文  参考訳（メタデータ） (2021-01-04T18:54:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。