[ad_1]
(Foco Nanowerk) Los investigadores están buscando memristores (dispositivos de memoria resistiva con propiedades similares a las de las neuronas) como un medio para desarrollar hardware energéticamente eficiente que pueda acelerar la inteligencia artificial. Sin embargo, varios obstáculos han obstaculizado el camino de los memristores hacia una adopción generalizada, desde una densidad de corriente insuficiente hasta corrientes de fuga que interrumpen la integración a gran escala. Ahora, investigadores de la Universidad de Lund informan sobre un innovador memristor ferroeléctrico de óxido de hafnio que supera estos obstáculos a través de fuertes características de corriente-voltaje no lineales combinadas con una operación de conductividad ultrabaja.
Los resultados fueron publicados en Sistemas inteligentes avanzados (“Memristores de unión de túnel ferroeléctrico para aceleradores informáticos en memoria”).
Desde el comienzo de la revolución de la inteligencia artificial (IA), los innovadores han luchado con las limitaciones fundamentales de las arquitecturas informáticas tradicionales para entrenar y operar redes neuronales ávidas de datos. Esta limitación, denominada “cuello de botella de von Neumann”, es causada por el movimiento de datos de un lado a otro entre el procesador y la memoria de una computadora. DARPA lanzó el programa Memristor Discovery and Development en 2008 para investigar resistencias con memoria que pudieran eliminar la distinción entre memoria y lógica. Los memristores se consideran análogos electrónicos de las sinapsis biológicas y proporcionaron una ruta hacia el paradigma informático inspirado en el cerebro conocido como ingeniería neuromórfica.
Sin embargo, después de años de progreso estancado, los investigadores aún tienen que desarrollar memristores que cumplan con todos los criterios para la integración en aceleradores de hardware densos y de alta eficiencia para IA. Los diseños anteriores fracasaron debido a una densidad de corriente insuficiente a través de la barrera del túnel ultradelgada, corrientes de fuga que afectan la precisión de la lectura en conjuntos de barras transversales grandes o no lograr objetivos clave de rendimiento de memristor, como la actualización de peso simétrica. Estas persistentes deficiencias han impedido que los memristores pasen de aplicaciones de investigación especializadas al espacio informático convencional.
El nuevo estudio demuestra que los memristores de unión de túnel ferroeléctrico (FTJ) construidos sobre una capa de conmutación de óxido de hafnio-circonio parecen ser capaces de superar estas limitaciones anteriores. Bajo la dirección del Dr. Robin Athle y el Dr. Mattias Borg de la Universidad de Lund, los investigadores optimizaron sus memristores FTJ para lograr una alta densidad de corriente de túnel de más de 3 A/m.2Más de 60 estados de conductividad incrementales, amplio rango dinámico entre estados encendido y apagado y retención sólida de datos durante 100 segundos.
A diferencia de intentos anteriores con FTJ de óxido de hafnio, que estaban limitados por la baja densidad de corriente durante la lectura, los dispositivos del equipo se benefician de una película ferroeléctrica ultrafina de menos de 5 nm que mejora significativamente el transporte de carga al tiempo que mantiene una fuerte capacidad de respuesta a la polarización. Esto permite reducir agresivamente el tamaño de sus memristores a dimensiones compatibles con nodos CMOS avanzados sin comprometer el rendimiento. De hecho, con mayores reducciones de tamaño, la energía de lectura podría alcanzar valores de alrededor de 30 femtojulios por bit.
Pero más allá de mejorar una limitación de densidad de corriente de larga data para los FTJ de óxido de hafnio, los memristores de Athle y Borg sobresalen en las áreas más relevantes para el entrenamiento de redes neuronales basado en hardware. Utilizando un esquema de modulación de amplitud para programar la conductividad del dispositivo paso a paso, logran un comportamiento simétrico de potenciación y depresión junto con una linealidad notable. Esta previsibilidad permite a sus FTJ delinear más de 60 niveles de conductividad progresivos diferentes, lo que permite un ajuste preciso de los análogos de peso sináptico durante el aprendizaje en línea. Y debido a que la no linealidad de los dispositivos excede 1000, los FTJ de los investigadores minimizan las corrientes de fuga espurias, eliminando la necesidad de elementos selectores en grandes conjuntos de barras transversales.
A continuación, el equipo se propuso validar si las propiedades de sus memristores FTJ se traducen en aplicaciones informáticas neuromórficas precisas. Trabajaron con colaboradores para simular una red neuronal implementada utilizando barras transversales FTJ en un conjunto de datos modificado de dígitos escritos a mano. A pesar de las deficiencias debidas a la variabilidad del dispositivo y la modulación de conductividad no lineal, su conjunto simulado logró una precisión del 92 % en la clasificación del conjunto de datos, a la par con otras tecnologías de memristores de última generación.
Pero igualmente notable es que los investigadores están realizando extensas simulaciones que sugieren que la conductividad extremadamente baja de sus FTJ confiere una resistencia revolucionaria a los efectos parásitos que han plagado los conjuntos de barras transversales densamente integradas. El análisis sugiere que sus barras transversales de memristor podrían mitigar las paralizantes caídas de IR de manera mucho más efectiva que las alternativas de memoria resistiva existentes, permitiendo potencialmente matrices 150 veces más grandes. Esta diversidad de tamaños surge orgánicamente de la física intrínseca del dispositivo de los FTJ y no de circuitos adicionales.
«En general, este estudio destaca el potencial del uso de FTJ basados en hafnio-zirconia como elementos memristivos en futuras aplicaciones neuromórficas para acelerar el entrenamiento y la inferencia de redes neuronales», concluyó el coautor del estudio, el Dr. Matías Borg.
Con indicadores de rendimiento que consistentemente igualan o superan a los memristores anteriores y una alta tolerancia a los problemas de integración, los dispositivos FTJ de Athle y Borg son extremadamente prometedores. Sus convincentes resultados sugieren que después de años de progreso nominal, la sequía de memristores pronto podría convertirse en un oasis, lo que podría llevar a estos dispositivos tan publicitados a finalmente irrumpir en las arquitecturas informáticas de IA y ofrecer eficiencia energética y ganancias de velocidad que van mucho más allá del status quo. de silicio.
Si la solidez continúa a lo largo de la investigación y el desarrollo, este avance podría abrir las compuertas a una variedad de aplicaciones de aprendizaje profundo acelerado (desde análisis de video en tiempo real hasta robots autónomos perceptivos) que anteriormente se consideraban demasiado intensivas en términos computacionales para dispositivos de borde.
De
Miguel
Berger
– Michael es autor de tres libros de la Royal Society of Chemistry: Nano-Society: Pushing the Boundaries of Technology, Nanotechnology: The Future is Tiny y Nanoengineering: The Skills and Tools Making Technology Invisible Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de autores invitados. ¿Acaba de publicar un artículo científico o le gustaría compartir otros desarrollos interesantes con la comunidad de nanotecnología? Cómo publicar en nanowerk.com.
[ad_2]