Аналоговые вычисления в памяти с использованием многоуровневых мемристорных устройств для высокоп...

Гленн Ге, TBD - TetraMem Inc. Внутреннее узкое место архитектуры фон Неймана в передаче данных между процессором и блоками памяти снижает производительность по мере роста объемов данных. Аналоговые вычисления в памяти на основе мемристорных устройств от TetraMem значительно повышают пропускную способность и энергоэффективность в глубоком обучении. Наш подход использует предварительно обученные синаптические веса из облачного обучения, напрямую программируя их в многоуровневые мемристоры/RRAM для развертывания на периферии и позволяя выполнять постобработку для адаптации к конкретным сценариям. Высокоточная программируемость обеспечивает равномерную производительность в мемристорных сетях за счет необходимости наличия множества различимых уровней проводимости в каждом устройстве. Это достижение полезно для таких приложений, как обучение нейронных сетей и вычисления для вывода результатов. Достигнув стабильной многоуровневой проводимости в 8 бит и более в отдельных мемристорных устройствах (до 11 бит/ячейка, как показано в основной публикации журнала, март 2023 г.), мы обеспечиваем возможность производства монолитных интегрированных полупроводниковых чипов с большими перекрестными матрицами на комплементарных металл-оксид-полупроводниковых (CMOS) схемах в коммерческом производстве, подходящих для различных применений, включая высокопроизводительные вычисления (HPC). Наша работа по вычислениям произвольной точности, основанная на аналоговых вычислениях, в настоящее время находится в печати в основном журнале и очень скоро станет доступна широкой публике.