摘要:在本文中,使用HSPICE模拟了使用能源有效GNRFET技术的物联网的静态噪声边距(SNM)和SRAM在不同电压供应和静态随机访问记忆的温度下的功耗。此外,已经提出了GNRFET SRAM的各种波形的模拟。SNM存在于SRAM细胞中,这会影响SRAM细胞的读取操作的稳定性。SRAM细胞稳定性分析是一个基于静态噪声边缘(SNM)的研究。在阅读操作过程中,SRAM细胞SNM分析了各种替代方案以提高细胞稳定性。GNRFET的作用提高了其功率效率和速度,在各种物联网应用中在航空工程中起着至关重要的作用。snm是6.7@1v,平均功率为2.24@1v,snm为2.43@45 o C,平均功率为1.25@45 o C.索引条款:GNR,GNRFET,功耗,电池消耗,细胞比率,CMOS,CMOS,PURPIP RATIO,SNM,SNM),Nano-Electronic。
摘要 — 为了确保这种新兴器件的可靠性,控制导电桥式随机存取存储器 (CBRAM) 中的细丝生长至关重要。在这里,我们证明了扫描焦耳膨胀显微镜 (SJEM) 可用于检测和精确定位工作中的交叉 CBRAM 器件中的导电细丝。基于 Pd/Al 2 O 3 /Ag 堆栈的柔性存储器件首先在低温下在聚酰亚胺基板上精心制作。这些器件在低压 (<2V) 下显示置位和复位操作,开/关比高于 10 4 。在低电阻状态下操作时,SJEM 振幅图像显示出单个导电细丝存在下的热点。在 50kHz 下提取的有效热扩散长度为 4.3µm,并且还证明了热膨胀信号与耗散的焦耳功率成正比。我们相信,所提出的程序为可靠性研究开辟了道路,可将其应用于任何基于细丝传导的存储器件系列。索引词——CBRAM、柔性电子、SJEM、长丝定位。
基于电阻开关存储器(也称为忆阻器或 RRAM)的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而,电阻开关技术尚不成熟,存在许多缺陷,这些缺陷通常被认为是人工神经网络实现的限制。尽管如此,可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用(如贝叶斯和脉冲神经网络)的能耗。因此,如果我们将机器学习方法适应电阻开关存储器的固有特性,某些非理想性可能会成为机会。在这篇简短的评论中,我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后,我们概述了利用电阻开关存储器的缺陷的最新神经网络实现,并讨论了这些方法的潜力和局限性。
Rana Alhalabi 1、Etienne Nowak 1、Ioan-lucian Prejbeanu 2 和 Gregory Di Pendina 2 1 CEA LETI,Minatec campus,17 Rue des martyrs,38054 Grenoble,法国 2 Univ. Grenoble Alpes,CEA,CNRS,Grenoble INP*,INAC,SPINTEC,F-38000 Grenoble,法国 摘要 — 自旋轨道扭矩磁性 RAM (SOT-MRAM) 方法代表了一种通过分离读取和写入路径来克服自旋转移扭矩 (STT) 存储器限制的新方法。由于每个位单元有两个晶体管,因此它对于不需要非常高密度的高速应用尤其有用。本文介绍了一种基于单个晶体管和单向二极管的高密度 SOT-MRAM 存储器阵列。这种方法有三个优点。 32kb 存储器阵列的晶体管数量减少了 45%,与传统 SOT 位单元相比,单元密度提高了 20%。此外,读取操作所需的控制更少,最终可实现高耐久性、高速度和高密度。关键挑战在于在感测裕度和读取能量之间进行调整。
近年来,电阻式存储器已成为电子领域的一项关键进步,在能源效率、可扩展性和非易失性方面具有众多优势 [1]。这些存储器以其独特的电阻开关行为为特征,非常适合各种应用,从高密度数据存储到神经形态计算 [2]。它们与先进的半导体工艺的兼容性进一步增强了它们的潜力,使其能够无缝集成到现代电子电路中 [3]。电阻式存储器的一个特别有前途的途径在于将其集成在半导体制造的后端 (BEOL) 阶段 [4]。BEOL 集成涉及晶体管制造后发生的工艺,主要侧重于创建电气连接这些晶体管的互连。在此阶段集成电阻式存储器可实现紧凑、高效和高性能的架构,这对于数据存储和处理共置的内存计算应用至关重要 [5]。本文研究了使用化学机械抛光 (CMP) 工艺将基于 TiO x 的电阻式存储器集成到无源交叉阵列结构中的三种方法,重点是确定最佳集成技术。
摘要 磁性随机存取存储器 (MRAM) 现在可作为嵌入式存储器从主要的 CMOS 代工厂获得。在这项研究中,我们证明了与传统 STT-MRAM 中使用的磁性隧道结相比,略微改进的磁性隧道结可用于多种用途,即磁场传感和射频振荡器。为此,垂直各向异性磁性堆栈中的 FeCoB 存储层厚度调整为 1.3-1.4 纳米,更接近从垂直到平面内各向异性的过渡区域。可以使用两种使用相同堆栈的磁场传感配置,在小场范围内实现高灵敏度或在大场范围内实现较低的灵敏度。此外,还展示了射频振荡器 GHz 检测和生成。可以设想这种多功能堆栈的进一步应用,包括非易失性和可重新编程逻辑、特殊功能(如随机数生成器和忆阻器)。
Xilinx Virtex V5、Kintex US 以及 Microchip RTG4 和 RTPolarFire FPGA 的 RadHard 72M 和 144M QDRII+ SRAM 设备均可免费获得内存控制器。QDR-II+ SRAM 控制器管理基于 DDR 的源同步时序架构的复杂时序细节,并确保 FPGA 和 QDRII+ SRAM 内存之间的可靠数据传输。如果需要更高级别的辐射抗扰度来减轻单粒子干扰,控制器嵌入式 ECC (SECDEC) 也可作为 RTL 选项提供。请联系 hirel-memory@infineon.com 获取 RTL 代码和测试台的副本。
请注意!本文件仅供参考,本文提供的任何信息在任何情况下均不视为对我们产品的任何功能、条件和/或质量或任何特定用途适用性的保证、担保或描述。关于我们产品的技术规格,我们恳请您参考我们提供的相关产品数据表。我们的客户及其技术部门需要评估我们的产品是否适合预期用途。
从那时起,SONOS 就以低得多的成本成为嵌入式闪存的有力替代品。SONOS 自 1980 年代以来就被称为 NVM 技术。然而,在早期,由于编程电压较高且高温下数据保留竞争力较弱,它在与浮栅技术的竞争中并不十分成功。英飞凌通过 SONOS 非易失性存储器堆栈中的电荷陷阱工程解决了这些障碍,并在高达 125°C(环境温度)的温度下实现了 10 年的保留时间,并且具有稳健的裕度。如今,英飞凌 SONOS 技术不仅用于英飞凌的许多产品,还用于许多其他公司(通过技术许可)。这些产品包括智能卡、独立 NOR 闪存、FPGA 和微控制器。SONOS 还具有很强的抗辐射能力,使其成为抗辐射产品的理想选择。最近,SONOS 开辟了一个令人兴奋的新应用:用于人工智能 (AI) 边缘应用中的神经形态计算的模拟 NVM。英飞凌正致力于优化 SONOS 技术的运行,以应对这一激动人心的领域。
量子纠错领域的一个有趣问题是找到一个物理系统,该系统承载着“被动保护的量子存储器”,即与自然想要纠正错误的环境耦合的编码量子位。迄今为止,仅在四个或更高的空间维度中才知道量子存储器能够抵抗有限温度效应。在这里,我们采用不同的方法,通过依赖驱动耗散环境来实现稳定的量子存储器。我们提出了一个新模型,即光子-伊辛模型,它似乎可以被动地纠正二维中的位翻转和相位翻转错误:由光子“猫量子位”组成的方格,这些量子位通过耗散项耦合,倾向于局部修复错误。受两个不同的 Z 2 对称性破坏相的启发,我们的方案依靠类伊辛耗散器来防止位翻转,并依靠驱动耗散光子环境来防止相位翻转。我们还讨论了实现光子-伊辛模型的可能方法。
