Una matriz de barras transversales de dispositivos de memoria magnetorresistiva para la computación en memoria

Área de la Ciencia:

• * Ciencias de los materiales e ingeniería
• * Ingeniería informática
• * Inteligencia artificial

Sus antecedentes:

• * Las redes neuronales artificiales (ANN) requieren operaciones de multiplicación y acumulación eficientes, a menudo implementadas utilizando computación en memoria con memorias no volátiles.
• * La memoria de acceso aleatorio magnetorresistiva de transferencia de torsión (MRAM) ofrece ventajas prácticas, pero se enfrenta a desafíos en las matrices transversales convencionales debido a la baja resistencia y el alto consumo de energía.
• * Los enfoques analógicos de computación en memoria existentes utilizan memoria resistiva, de cambio de fase o flash, pero la integración de MRAM sigue siendo difícil.

Objetivo del estudio:

• * Desarrollar una matriz de barras transversales de bajo consumo y alto rendimiento utilizando MRAM para la aceleración de redes neuronales artificiales analógicas.
• * Para superar las limitaciones de la baja resistencia del MRAM en las arquitecturas transversales convencionales de suma de corriente.
• * Para demostrar la eficacia de la matriz de barra transversal MRAM en varias tareas de aprendizaje automático.

Principales métodos:

• * Diseñado y fabricado una matriz de barra transversal de 64x64 utilizando celdas MRAM.
• * Implementó una nueva arquitectura que emplea la suma de resistencia para operaciones analógicas de acumulación múltiple.
• * Integró la matriz MRAM con una electrónica de lectura de semiconductores de óxido metálico (CMOS) complementaria de 28 nm.

Principales resultados:

• * Logró una precisión del 93,23% en la clasificación de dígitos del Instituto Nacional de Estándares y Tecnología Modificado (MNIST) utilizando un perceptrón de dos capas (línea base del software: 95,24%).
• * Se demostró una precisión mejorada del 98,86% en una emulación de una red neuronal de ocho capas de Geometría Visual del Grupo-8 (VGG-8) con errores medidos (línea de referencia del software: 99,28%).
• * Implementó con éxito la detección de rostros con una precisión del 93,4% utilizando una sola capa de la red neuronal.

Conclusiones:

• * La matriz de barra transversal MRAM desarrollada aborda efectivamente el desafío de baja resistencia a través de la suma de resistencia, lo que permite operaciones analógicas eficientes de acumulación múltiple.
• * La arquitectura de computación en memoria basada en MRAM muestra un potencial significativo para las implementaciones de redes neuronales artificiales de bajo consumo y alto rendimiento.
• * Esta tecnología allana el camino para la comercialización práctica y a gran escala de MRAM en aplicaciones de computación neuromórfica.