CMOSに統合された数千の伝導度レベル

科学分野:

• 材料科学と工学
• 電気工学
• コンピュータ科学 (人工知能と機械学習)

背景:

• 機械学習と人工知能,特にエッジアプリケーションでは,メモリ型のデバイスは,スループットとエネルギー効率を向上させます.
• ニューラルネットワークモデルをゼロからトレーニングすることはリソースが集約され,分散型メモリストに事前に訓練された重量プログラミングをエッジAIにとって実用的なアプローチにします.
• 多数の区別可能な伝導度レベルを持つ高精度プログラミングは,大規模ニューラルネットワークのアプリケーションにおけるメモリストにとって不可欠である.

研究 の 目的:

• 精密なニューラルネットワークのアプリケーションのためのメモリデバイスで多くの区別可能な伝導度レベルを達成します.
• メムリストルにおける複数の導電性状態の達成を阻害する物理的な制限を特定し,克服する.
• 商業的なエッジAIアプリケーションに適した高精度メムリストアを有効にするための運用プロトコルを開発する.

主な方法:

• 商用鋳造所を使用して,補完的な金属酸化物半導体 (CMOS) 回路に単体統合された256×256 メムリスター配列の製造.
• 伝導率レベルを制限する基礎物理の特定と,これらの制限を回避するための電気操作プロトコルの開発.
• 100万回以上の耐久性,プログラムされた伝導率レベルの精度を含む,メムリスターの性能の特徴.

主要な成果:

• 単一のメミストルで識別可能な伝導度レベル2,048を達成し,測定値は目標伝導度1μS以内で一貫している.
• 256x256 メモリストア配列を 64の異なる伝導度レベルにプログラムする能力を示した.
• 記憶装置の耐久性と頑丈性が確認され,100万回以上の切り替えサイクルが実証されました.

結論:

• この研究は,基礎物理学の理解と新しい操作プロトコルを通じて,これまでにない数の伝導率レベルを持つ高精度メミストーを成功裏に実現しました.
• これらの高精度のメモリストは,ニューラルネットワークのシナプス重量の直接プログラミングに適しており,先進的なエッジAIアプリケーションの商業化への道を開いています.
• この発見は,メモリシブスイッチングメカニズムに関する重要な洞察を提供し,ニューロモルフィックコンピューティングやその他のアプリケーションのための高度なメモリシブデバイスの開発の経路を提供します.