电阻随机记忆(RRAM)由于其简单的金属 - 绝缘剂 - 金属(MIM)结构而计入最有希望的非挥发记忆技术。RRAM显示出诸如快速(<1 ns)[1]和低功率开关(每位1 pj),[2]高耐力(> 10 9个周期),[3]对电离辐射的弹性,[4]和出色的缩放能力低于10 Nm的能力。[5] Resistive switching has been observed in materials such as hafnium, tantalum, and yttrium oxide, [6–8] which are well- established materials in complementary metal oxide semiconductor (CMOS) tech- nology, making RRAM easily integrable in existing back-end-of-line Si technology, and thus, an interesting candidate for new emerging applications such as cybersecu- rity and neuromorphic计算。尤其是,由于自主驾驶,图像识别和深度学习等新兴领域,神经形态变得越来越重要。
随着深度神经网络 (DNN) 在嵌入式设备上的广泛应用,硬件的能效和尺寸成为关注焦点。例如,最近基于 Arduino 的 MAIXDuino 套件集成了用于卷积神经网络 (CNN) 的 K210 神经网络处理器,旨在开发嵌入式人工智能 (AI) 和物联网 (IoT) 解决方案 [1],[2]。在这种 Edge-AI 加速器专用集成电路 (ASIC) 中,DNN 模型在图形处理单元 (GPU) 上使用基于梯度下降的反向传播或 Backprop 算法 [3]–[5] 进行离线训练,然后“传输”到“推理”ASIC。反向传播是计算密集型的,由于冯诺依曼瓶颈,大量数据在内存和 CNN 加速器之间不断穿梭,因此会消耗大量能量。人们越来越重视创新“非冯·诺依曼”架构,即在内存内部执行计算。此类架构有望利用超越摩尔或后 CMOS 非易失性存储器 (NVM) 技术 [6]。这需要对整个设备、电路和算法层次结构中的非冯·诺依曼计算架构进行跨层研究。神经启发或神经形态片上系统 (NeuSoC) 架构将内存计算与基于稀疏尖峰的计算和通信相结合,以实现接近生物大脑能效的超低功耗运行 [7]。基于 NVM 的计算架构采用 1R 或 1T1R 交叉开关或交叉点架构,其中 DNN 权重存储在 NVM 单元的状态中,神经元驻留在
优点:1。非易失性记忆2。高读/写速度3。低面积成本4。mim结构5。CMOS兼容性6。3D集成的潜力
摘要——基于多层电阻式随机存取存储器 (RRAM) 的突触阵列可以实现矢量矩阵乘法的并行计算,从而加速机器学习推理;然而,由于模拟电流沿列相加,因此单元的任何电导漂移都可能导致推理精度下降。在本文中,在基于 2 位 HfO 2 RRAM 阵列的测试车辆上统计测量了读取干扰引起的电导漂移特性。通过垂直和横向细丝生长机制对四种状态的漂移行为进行了经验建模。此外,提出并测试了一种双极读取方案,以增强对读取干扰的恢复能力。建模的读取干扰和提出的补偿方案被纳入类似 VGG 的卷积神经网络中,用于 CIFAR-10 数据集推理。
摘要:关键和私人数据以电子格式被广泛使用,这要求物联网设备拥有可靠且安全的嵌入式系统。在此背景下,RRAM(电阻式随机存取存储器)成为替代当前存储器技术的有前途的替代方案。然而,它们是否适用于这种数据完整性至关重要的应用,仍在研究中。在用于恢复秘密数据信息的不同类型的攻击中,激光攻击由于其简单性而成为最常见的攻击之一。一些初步研究已经解决了激光测试对 RRAM 设备的影响。然而,结果并不具有决定性,因为根据测试电路和测试特征报告的响应不同。在本文中,我们对单个 RRAM 设备进行了激光测试。在进行的一系列实验中,设备没有表现出故障行为。这些结果有助于表征 RRAM,并有望与其他相关工作一起为开发针对外部攻击的适当对策铺平道路。
本文介绍了由供应链委员会提出的SCOR参考模型的基本结构,该模型被广泛用作协助供应链管理的工具,并讨论了其在建筑链管理中实施的机遇和困难。为此,已经详细阐述了有关GCS文献以及与建筑有关的主要挑战的简要回顾。接下来,从概念基础来看,对一家公司的半结构化访谈进行了陶瓷块问题,到结构性砖石公寓企业,目的是使在混凝土情况下与SCOR建模时可能出现的问题相关联。对新供应链建模技术的研究可以帮助许多不知道其供应问题的公司以寻求解决方案。