XiaoMi-AI文件搜索系统
World File Search SystemRRAM
基于高性能神经形态计算的低变差阈值开关设备振荡神经元
摘要：高功率和低变异性人工神经元设备非常需要高性能神经形态综合。在本文中，基于低可变性Ag纳米（NDS）阈值开关（TS）设备的振荡神经元具有低操作电压，较大的ON/OFF/OFF比率和高均匀性。测量结果表明，该神经元的示范在低至1 V的施加电压下表现出自振荡行为。振荡频率随施加的电压脉冲振幅而增加，并且随着载荷电阻而降低。然后，当振荡神经元连接到用于神经形态计算的RRAM Crossbar AR-Ray的输出时，可以准确地评估电阻随机记忆（RRAM）突触权重。同时，模拟结果表明，由于AG NDS TS设备的高开/OFF比（> 10 8），我们的振荡神经元可以通过我们的振荡神经元来支持大的RRAM横杆阵列（> 128×128）。此外，AG NDS TS设备的高均匀性有助于提高输出频率的分布并抑制神经网络识别精度的降解（<1％）。因此，基于AG NDS设备的开发的振荡神经元显示出对未来神经形态计算应用的巨大潜力。
电阻RAMS（RRAMS）的节能电流控制和读取方案
抽象能量效率仍然是改善RRAM的关键性能标记以支持物联网边缘设备的主要因素之一。本文提出了一种简单且可行的低功率设计方案，可以用作降低RRAM电路能量的强大工具。设计方案仅基于写入和阅读操作期间的当前控制，并确保写作操作完成而不会浪费能量。提出了自适应写终止电路，以控制在形成，重置和集合操作过程中的RRAM电流。终端电路感知编程电流，并在达到首选编程电流后立即停止写入脉冲。仿真结果表明，适当的编程电流选择可以帮助提高4.1倍的形成，设置的改善9.1倍，重置能量提高1.12倍。此外，还证明了对复位电阻的严格控制的可能性。阅读能量优化也可以通过利用差分含义的放大器提供可编程当前参考。最后，根据最终的应用程序要求，建立了设置/重置操作期间能源消耗与可接受的读取保证金之间的最佳权衡。
研究改善Nbox ...
为了在V点结构中获得最高的积分存储密度，单偏度单抗性（1S1R）结构中选择器的工作电流应与电阻随机访问存储器（RRAM）匹配。在这项研究中，选择器设备通过磁控溅射方法设计了TI/NBO X/TI/PT结构，并在超大合规性电流（CC）下实现了阈值切换的出色性能，最高为100 mA。此外，即使CC增加到CC级别，开关电压和设备的离子电阻都表现出极好的稳定性，这归因于开关层中金属NBO的存在。本研究提供了证据，表明Ti/NBO X/Ti/PT设备具有驱动V点结构中RRAM的巨大潜力。
HRS 状态下零变异性电阻式 RAM 的设计考虑
摘要 — 电阻式 RAM (RAM) 固有的可变性被广泛认为是广泛采用该技术的主要障碍。此外，我们越深入高阻状态 (HRS)，可变性就越高。在此背景下，本文提出了电路级设计策略来减轻 HRS 的可变性。在 RESET 操作期间，编程电流受到严格控制，同时调节 RRAM 单元两端的电压。从设计的角度来看，写入终止电路用于不断感测编程电流并在达到首选 RESET 电流时停止 RESET 脉冲。写入终止与电压调节器相结合，可严格控制 RESET 电压。本文首先回顾了 RRAM 可变性现象。然后，开发了一种优化的编程方案来控制 HRS 状态以接近零可变性。与经典的固定脉冲编程方案相比，可变性降低了 99%。
用于电阻存储器应用的钌络合物（II）薄膜的表征与分析
业界正在研究电阻式存储器件，尤其是那些基于可溶液处理、化学变化且成本低廉的有机材料的器件。在本文中，我们通过在 ITO 基板上旋涂一层有机的钌 (II) 薄层来制造电阻式存储器件。制造的电阻式存储器件利用通过旋涂沉积在 ITO 基板上的钌 (II) 薄层，表现出低电阻和高电阻导电状态。这些特性使它们非常适合电阻式随机存取存储器 (RRAM) 应用。RRAM 因其高可扩展性、快速切换速度和低功耗而成为一种很有前途的非易失性存储器技术。通过利用低电阻和高电阻状态，电阻式存储器件可以有效地存储二进制数据，为各种基于存储器的系统提供潜在应用，包括固态硬盘、嵌入式系统和物联网 (IoT) 设备。有机钌 (II) 薄层的使用为探索电阻式存储器器件的性能和稳定性提供了一种新途径，为 RRAM 技术的进一步发展铺平了道路。” 使用扫描电子显微镜 (SEM)、X 射线衍射 (XRD) 和能量色散 X 射线光谱 (EDX) 来表征该器件。还获得了这些器件的电流-电压特性。测量了低电阻和高电阻传导状态，发现它们非常适合电阻式随机存取存储器应用。此外，我们观察到随着有机层厚度的增加，开关得到改善，因此电阻比提高了 10 倍。 (2022 年 12 月 19 日收到；2023 年 8 月 7 日接受) 关键词：钌、开关、器件、电性能
使用电阻RAM使用单一感官操作实现三元重量
摘要 - 实施具有新兴记忆（例如电阻随机访问记忆（RRAM））的系统设计的系统是减少人工智能能源消耗的重要铅。为了在此类系统中实现最大的能量效率，应尽可能紧密地集成逻辑和内存。在这项工作中，我们关注三元神经网络的情况，其中突触权重假设三元值。我们提出了一种使用预感的两种晶体管/两抗记忆体系结构，其中可以在单个感觉操作中提取重量值。基于对具有这种感觉放大器的杂交130 nm CMOS/RRAM芯片的实验测量，我们表明该技术在低供应电压下特别适合，并且对于处理，电压和温度变化具有弹性。我们表征了方案中的位错误率。我们基于CIFAR-10图像识别任务的神经网络模拟显示，三元神经网络的使用显着提高了神经网络的性能，而对于二进制二进制，这通常是推理硬件而言是优先的。我们最终证明了神经网络对我们方案中观察到的位误差的类型免疫，因此可以在没有误差校正的情况下使用。
动态三元含量 - 可调的内存确实是...
摘要 - 内部内容可寻址内存（TCAM）一直是缓存，路由器等的关键组件，其中密度，速度，功率效率和可靠性是主要的设计目标。使用了非胆汁记忆（NVM）设备，具有常规的低维能力，但基于SRAM的TCAM设计，但也很密集，但较差，但可靠性较差或更高的功率TCAM设计。同时，还提出了一些使用动态记忆的TCAM设计。尽管动态设计TCAM比CMOS SRAM TCAM更密集，并且比NVM TCAM更可靠，但传统的逐行刷新操作在正常的TCAM活动的干扰瓶颈上升起。因此，本文提出了使用纳米电机力学（NEM）继电器设备的自定义低功率动态TCAM，该中继设备利用一声刷新来解决内存刷新问题。通过使用拟议的新细胞结构来利用独特的NEM继电器特性，提出的TCAM占据了仅3个晶体管的小占地面积（通过后端过程中的两个NEM继电器在顶部集成了两个NEM继电器），这显着超过了基于SRAM-SRAM-SRAM-SRAM-基于SRAM的TCAM的密度。此外，评估表明，拟议的TCAM分别超过了SRAM，RRAM和FEFET TCAM，将写入能效分别提高了2.31倍，131倍和13.5倍。 SRAM，RRAM和FEFET TCAMS分别提高了搜索能量固定产品的12.7倍，1.30倍和2.83倍。
现在，关于探索性固态计算设备和电路的IEEE期刊，有关论文的呼吁已开放。
目标和范围AI模型近年来在各种应用中不断显示出非凡的性能，包括计算机视觉，自然语言处理，大语言模型等。精确驱动的AI模型体系结构在很大程度上增加了模型尺寸和计算，尤其是要求高密度存储器存储。处理引擎与片上/芯片内存之间的频繁通信导致高能消耗，这成为AI硬件加速器设计的瓶颈。为了克服此类挑战，内存计算（IMC）和近存储计算（NMC）已被视为能效体AI加速度的有希望的方案。权重存储在存储单元中，并在内存阵列内或附近执行点产品或其他操作。关于IMC/NMC方案的内存技术，SRAM已经成熟，但挥发性很大，消耗了大面积（例如，8T/10T bitcells）和CMOS设备中的泄漏功率。这种缺点促进了非易失性记忆（NVM），作为基于区域有效的IMC/NMC AI加速度的有吸引力的解决方案。NVM包括电阻随机访问记忆（RRAM），相变内存（PCM），自旋转移 - 转移磁性磁随机访问记忆（STT- MRAM），铁电场效果记忆（FERAM，FEFET），FEFET，FEFET，FEFET），铁电容式设备等。值得注意的是，包括英特尔，TSMC，三星和Globalfoundries在内的铸造公司已商业化或原型构造单一集成的NVM技术，例如rram，mram，feram/fefet等。
《超越摩尔：用于新兴记忆和神经形态计算的电阻开关器件》特刊前言
传统的基于电荷的存储器，例如动态随机存取存储器 (DRAM) 和闪存，正在接近其扩展极限。各种基于电阻的存储器，例如相变存储器 (PCM)、磁性随机存取存储器 (MRAM) 和电阻随机存取存储器 (RRAM)，由于其非挥发性、速度快、功耗低和尺寸小，可能实现高密度集成，长期以来一直被视为新兴存储器应用。最近，它们也被广泛研究用作神经形态计算的忆阻器，与数字存储器应用相比，神经形态计算对其电阻开关特性的要求截然不同。在过去十年中，从材料和物理机制到设备和神经形态系统，该领域取得了巨大进步。
内存中主组件分析通过电阻开关存储器的跨点阵列
摘要 - 内存计算（IMC）是机器学习（ML）数据密集型计算加速器的最有希望的候选者之一。用于尺寸降低和分类的关键ML算法是主要成分分析（PCA），它在很大程度上依赖于经典的von Neumann架构未优化的矩阵矢量乘法（MVM）。在这里，我们提供了基于IMC的新PCA算法的实验演示，该算法基于功率迭代和在4 kbit的电阻切换随机访问存储器（RRAM）中执行的放气。威斯康星州乳腺癌数据集的分类准确性达到95.43％，接近浮点的实施。我们的模拟表明，与商业图形处理单元（GPU）相比，能源效率有250倍，因此在现代数据密集型计算中支持IMC的能源有效ML。