Imec-Leti联盟;模拟计算;强化记忆。
Imec-Leti联盟
在最近的IEEE国际电子设备会议(IEDM),Imec和Leti宣布计划在选择合作领域。
这两个研发组织计划在两个协作areas-artificial情报(AI)和量子计算。Imec分别和Leti一直致力于人工智能技术基于各种下一代内存架构。这两个实体也一直在研究量子计算。
通过合作,我们的目标是在这些领域加快发展。
这两个组织都将继续在其他技术独立。
模拟计算
与此同时,在一篇论文在IEDM, Imec提出了一个对模拟神经网络设备的发展蓝图与10000顶/ W的性能。
Imec矩阵向量乘法器技术基于一本小说描述模拟内存计算(AiMC)架构。基于22纳米技术,AiMC具有能源效率至少10倍比数字实现,根据Imec。
研发组织还评估了三种可能的内存单元选项architecture-IGZO-based 2 t1c DRAM, SOT-MRAM和相变内存(PCM)。
该设备是针对深度学习和相关应用程序。人工智能的一个子集,深度学习利用神经网络。这种类型的网络处理数据和识别模式。它匹配特定的模式和学习哪些属性是很重要的。
这些功能是发生在云端。我们的目标是把这些函数的边缘计算。但这需要一种新的节能设备。
这就是AiMC适合。AiMC是10000顶/ W模拟矩阵向量乘法器为推理的应用。建筑利用位输入和一位ADC。每秒上衣或拉操作是一个性能指标。顶部每瓦特描述性能的效率。
设备的重量矩阵存储在计算细胞,根据Imec。体重水平的数量取决于内存元素。
内存元素或细胞,Imec评估几个内存类型。组织消除ReRAM STT-MRAM。在ReRAM,变化太大阻力水平高,操作时根据Imec。STT-MRAM没有足够高的阻力位,根据Imec。
然而,其他内存类型满足了需求。“三个记忆装置的概念进行了讨论,提出了满足要求的蓝图:IGZO-based 2 t1c DRAM, SOT-MRAM和投影PCM分开写路径,”斯蒂芬说Cosemans Imec的纸。别人为工作做出了贡献。
IGZO-based 2 t1c DRAM,极低的泄漏保持足够长的时间,和较低的流动减少了细胞电流所需的水平。这个细胞可以在3 d堆叠BEOL单片方式,离开FEOL用于外围电路,使一个非常小的足迹,”Cosemans说。
SOT-MRAM”表明,细胞的低开/关比是一个劣势但不是致命的,“Cosemans说。“PCM与投影层解决了困扰正常电阻漂移PCM的一部分,在强烈的成本降低开/关窗口。”
强化记忆
在IEDM CEA-Leti激增描述了神经网络(SNN)相结合的模拟神经元和ReRAM-based突触。
基于一个130纳米CMOS工艺,设备已经证明一个分类精度达到84%,3.6 pJ每个峰值能量耗散。
设备设计执行MNIST分类。修改国家标准与技术研究院(MNIST)是一个数据库。它包括手写的数字,用于训练图像处理和机器学习系统。
强化神经元组成的神经网络。他们交流通过发射峰值,离散事件,发生在一个时间点。这些网络承诺减少所需的计算能力。
基于SNN拓扑,Leti的设备包括一个单层,全架构。在设备,单层细胞ReRAMs用于创建突触。ReRAMs工作通过改变电阻在电介质固态材料。
所谓的“集成和火(如果)”模拟神经元设计也实现。说:“整个网络集成芯片上的亚历山大·瓦伦特Leti。“没有部分由外部电路模拟或替换,在其他一些项目。它甚至是用于现场演示,用户可以用手指画数字在平板电脑和分类后转换成脉冲序列。”
|
|
|
|
|
|
|
|
|
留下一个回复