04 de enero de 2024
(Proyector Nanowerk) Los investigadores están persiguiendo memristors – dispositivos de memoria resistiva con propiedades similares a las neuronas – como medio para desarrollar hardware energéticamente eficiente que pueda acelerar la inteligencia artificial. Sin embargo, múltiples obstáculos han impedido el camino de los memristores hacia una adopción generalizada, desde una densidad de corriente insuficiente hasta corrientes furtivas que interrumpen la integración a gran escala. Ahora, investigadores de la Universidad de Lund informan sobre un memristor innovador construido a partir de óxido de hafnio ferroeléctrico que supera estos obstáculos a través de fuertes características de corriente-voltaje no lineales combinadas con una operación de conductancia ultrabaja.
Los hallazgos han sido publicados en Sistemas inteligentes avanzados (“Memristores de unión de túnel ferroeléctrico para aceleradores informáticos en memoria”).
a) Implementación de barra transversal verdadera de memristores FTJ donde el ferroeléctrico (verde azulado) se intercala entre los electrodos superior (rojo) e inferior (azul). b) Implementación de operaciones de multiplicación y acumulación en un arreglo de barras cruzadas utilizando codificación temporal analógica. La entrada xi se codifica en la longitud del pulso tn utilizando una amplitud constante V0. Las corrientes I se resumen a través de cada línea de bits de la matriz donde la magnitud de la corriente depende de la conductancia del memristor programada G. Luego, la corriente se integra para obtener la carga Q. c) Proceso de fabricación de dispositivos FTJ. (I) Deposición del electrodo inferior de TiN sobre Si/SiO2 sustrato mediante pulverización catódica RF. (II) Crecimiento ALD de Hf amorfoxZr1-xO2 seguido de (III) deposición de electrodos de cristalización W y RTP a 535 °C. (IV) – (VI) Proceso de reemplazo de metal y deposición y modelado del electrodo superior W mediante litografía UV y proceso de despegue. (Reimpreso con autorización de Wiley-VCH Verlag)
Desde los albores del revolución de la inteligencia artificial (IA), los innovadores han luchado con las limitaciones fundamentales de las arquitecturas informáticas tradicionales para entrenar y ejecutar redes neuronales ávidas de datos. Esta restricción, denominada "cuello de botella de von Neumann", surge del intercambio de datos entre el procesador y la memoria de una computadora. DARPA lanzó el programa Memristor Discovery and Development en 2008 para explorar resistencias con memoria que podrían colapsar la distinción entre memoria y lógica. Considerados análogos electrónicos de las sinapsis biológicas, los memristores ofrecieron un camino hacia el paradigma informático inspirado en el cerebro conocido como ingeniería neuromórfica.
Sin embargo, después de años de detener el progreso, los investigadores aún tienen que desarrollar memristores que cumplan todos los requisitos para su integración en aceleradores de hardware densos y ultraeficientes para IA. Los diseños anteriores se han quedado cortos debido a una densidad de corriente insuficiente a través de la barrera del túnel ultradelgada, corrientes furtivas que degradan la precisión de la lectura en conjuntos de barras transversales grandes o el incumplimiento de los objetivos clave de rendimiento de los memristores, como la actualización de peso simétrica. Estas deficiencias persistentes han impedido que los memristores escapen de las aplicaciones de investigación especializadas hacia la informática convencional.
El nuevo estudio demuestra memristores de unión de túnel ferroeléctrico (FTJ) construidos sobre una capa de conmutación de óxido de hafnio-circonio que parece estar preparado para superar estas limitaciones anteriores. Dirigidos por el Dr. Robin Athle y el Dr. Mattias Borg de la Universidad de Lund, los investigadores optimizaron sus memristores FTJ para lograr una alta densidad de corriente de túnel superior a 3 A/m.2, más de 60 estados de conductancia incrementales, amplio rango dinámico entre estados encendido y apagado y retención sólida de datos durante 100 segundos.
A diferencia de intentos anteriores con FTJ de óxido de hafnio limitados por una baja densidad de corriente durante la lectura, los dispositivos del equipo se benefician de una película ferroeléctrica ultrafina de menos de 5 nm que mejora en gran medida el transporte de carga y al mismo tiempo preserva una fuerte capacidad de respuesta a la polarización. Esto permite que sus memristores se reduzcan agresivamente a dimensiones compatibles con nodos CMOS avanzados sin deteriorar el rendimiento. De hecho, la energía de lectura podría alcanzar niveles de alrededor de 30 femtojulios por bit con mayores reducciones de tamaño.
Pero más allá de mejorar una limitación de densidad de corriente de larga data para los FTJ de óxido de hafnio, los memristores de Athle y Borg sobresalen en áreas que son más importantes para el entrenamiento de redes neuronales basadas en hardware. Utilizando un esquema de modulación de amplitud para programar incrementalmente la conductancia del dispositivo, logran un comportamiento simétrico de potenciación y depresión junto con una linealidad apreciable. Esta previsibilidad permite a sus FTJ delinear más de 60 niveles de conductancia progresivos distintos que permiten un ajuste preciso de los análogos de peso sináptico durante el aprendizaje en línea. Y con una no linealidad del dispositivo superior a 1000, los FTJ de los investigadores minimizan intrínsecamente las corrientes furtivas disruptivas, de modo que los elementos selectores se vuelven innecesarios en grandes conjuntos de barras transversales.
A continuación, el equipo se propuso validar si las propiedades de sus memristores FTJ se traducirían en aplicaciones informáticas neuromórficas precisas. Se asociaron con colaboradores para simular una red neuronal implementada utilizando barras transversales FTJ en un conjunto de datos modificado de dígitos escritos a mano. A pesar de los defectos de la variabilidad del dispositivo y la modulación de conductancia no lineal, su conjunto simulado alcanzó una precisión del 92 % en la clasificación del conjunto de datos, a la par con otras tecnologías de memristores de vanguardia.
Pero igualmente digno de mención es que los investigadores realizan extensas simulaciones que sugieren que la conductancia extremadamente baja de sus FTJ transmite una resiliencia revolucionaria a los efectos parásitos que han asediado a los conjuntos de barras transversales densamente integradas. El análisis indica que sus barras transversales de memristor podrían mitigar las debilitantes caídas de IR de manera mucho más efectiva que las alternativas de memoria resistiva existentes, lo que podría permitir matrices 150 veces más grandes. Esta versatilidad de tamaño surge orgánicamente de la física intrínseca del dispositivo de los FTJ en lugar de circuitos adicionales.
"En general, este estudio destaca el potencial del uso de FTJ basados en óxido de hafnio-circonio como elementos memristivos en futuras aplicaciones neuromórficas para acelerar el entrenamiento y la inferencia de redes neuronales", concluyó el coautor del estudio, el Dr. Matías Borg.
Con indicadores de rendimiento que coinciden o anulan constantemente los memristores anteriores junto con una alta tolerancia a los problemas de integración, los dispositivos FTJ de Athle y Borg son tremendamente prometedores. Sus convincentes resultados sugieren que después de años de progreso nominal, la sequía de memristores pronto podría transformarse en un oasis, preparando a estos dispositivos tan publicitados para finalmente permear las arquitecturas informáticas de IA y ofrecer eficiencia energética y ganancias de velocidad que superan con creces el status quo del silicio.
a) Implementación de barra transversal verdadera de memristores FTJ donde el ferroeléctrico (verde azulado) se intercala entre los electrodos superior (rojo) e inferior (azul). b) Implementación de operaciones de multiplicación y acumulación en un arreglo de barras cruzadas utilizando codificación temporal analógica. La entrada xi se codifica en la longitud del pulso tn utilizando una amplitud constante V0. Las corrientes I se resumen a través de cada línea de bits de la matriz donde la magnitud de la corriente depende de la conductancia del memristor programada G. Luego, la corriente se integra para obtener la carga Q. c) Proceso de fabricación de dispositivos FTJ. (I) Deposición del electrodo inferior de TiN sobre Si/SiO2 sustrato mediante pulverización catódica RF. (II) Crecimiento ALD de Hf amorfoxZr1-xO2 seguido de (III) deposición de electrodos de cristalización W y RTP a 535 °C. (IV) – (VI) Proceso de reemplazo de metal y deposición y modelado del electrodo superior W mediante litografía UV y proceso de despegue. (Reimpreso con autorización de Wiley-VCH Verlag)
Desde los albores del revolución de la inteligencia artificial (IA), los innovadores han luchado con las limitaciones fundamentales de las arquitecturas informáticas tradicionales para entrenar y ejecutar redes neuronales ávidas de datos. Esta restricción, denominada "cuello de botella de von Neumann", surge del intercambio de datos entre el procesador y la memoria de una computadora. DARPA lanzó el programa Memristor Discovery and Development en 2008 para explorar resistencias con memoria que podrían colapsar la distinción entre memoria y lógica. Considerados análogos electrónicos de las sinapsis biológicas, los memristores ofrecieron un camino hacia el paradigma informático inspirado en el cerebro conocido como ingeniería neuromórfica.
Sin embargo, después de años de detener el progreso, los investigadores aún tienen que desarrollar memristores que cumplan todos los requisitos para su integración en aceleradores de hardware densos y ultraeficientes para IA. Los diseños anteriores se han quedado cortos debido a una densidad de corriente insuficiente a través de la barrera del túnel ultradelgada, corrientes furtivas que degradan la precisión de la lectura en conjuntos de barras transversales grandes o el incumplimiento de los objetivos clave de rendimiento de los memristores, como la actualización de peso simétrica. Estas deficiencias persistentes han impedido que los memristores escapen de las aplicaciones de investigación especializadas hacia la informática convencional.
El nuevo estudio demuestra memristores de unión de túnel ferroeléctrico (FTJ) construidos sobre una capa de conmutación de óxido de hafnio-circonio que parece estar preparado para superar estas limitaciones anteriores. Dirigidos por el Dr. Robin Athle y el Dr. Mattias Borg de la Universidad de Lund, los investigadores optimizaron sus memristores FTJ para lograr una alta densidad de corriente de túnel superior a 3 A/m.2, más de 60 estados de conductancia incrementales, amplio rango dinámico entre estados encendido y apagado y retención sólida de datos durante 100 segundos.
A diferencia de intentos anteriores con FTJ de óxido de hafnio limitados por una baja densidad de corriente durante la lectura, los dispositivos del equipo se benefician de una película ferroeléctrica ultrafina de menos de 5 nm que mejora en gran medida el transporte de carga y al mismo tiempo preserva una fuerte capacidad de respuesta a la polarización. Esto permite que sus memristores se reduzcan agresivamente a dimensiones compatibles con nodos CMOS avanzados sin deteriorar el rendimiento. De hecho, la energía de lectura podría alcanzar niveles de alrededor de 30 femtojulios por bit con mayores reducciones de tamaño.
Pero más allá de mejorar una limitación de densidad de corriente de larga data para los FTJ de óxido de hafnio, los memristores de Athle y Borg sobresalen en áreas que son más importantes para el entrenamiento de redes neuronales basadas en hardware. Utilizando un esquema de modulación de amplitud para programar incrementalmente la conductancia del dispositivo, logran un comportamiento simétrico de potenciación y depresión junto con una linealidad apreciable. Esta previsibilidad permite a sus FTJ delinear más de 60 niveles de conductancia progresivos distintos que permiten un ajuste preciso de los análogos de peso sináptico durante el aprendizaje en línea. Y con una no linealidad del dispositivo superior a 1000, los FTJ de los investigadores minimizan intrínsecamente las corrientes furtivas disruptivas, de modo que los elementos selectores se vuelven innecesarios en grandes conjuntos de barras transversales.
A continuación, el equipo se propuso validar si las propiedades de sus memristores FTJ se traducirían en aplicaciones informáticas neuromórficas precisas. Se asociaron con colaboradores para simular una red neuronal implementada utilizando barras transversales FTJ en un conjunto de datos modificado de dígitos escritos a mano. A pesar de los defectos de la variabilidad del dispositivo y la modulación de conductancia no lineal, su conjunto simulado alcanzó una precisión del 92 % en la clasificación del conjunto de datos, a la par con otras tecnologías de memristores de vanguardia.
Pero igualmente digno de mención es que los investigadores realizan extensas simulaciones que sugieren que la conductancia extremadamente baja de sus FTJ transmite una resiliencia revolucionaria a los efectos parásitos que han asediado a los conjuntos de barras transversales densamente integradas. El análisis indica que sus barras transversales de memristor podrían mitigar las debilitantes caídas de IR de manera mucho más efectiva que las alternativas de memoria resistiva existentes, lo que podría permitir matrices 150 veces más grandes. Esta versatilidad de tamaño surge orgánicamente de la física intrínseca del dispositivo de los FTJ en lugar de circuitos adicionales.
"En general, este estudio destaca el potencial del uso de FTJ basados en óxido de hafnio-circonio como elementos memristivos en futuras aplicaciones neuromórficas para acelerar el entrenamiento y la inferencia de redes neuronales", concluyó el coautor del estudio, el Dr. Matías Borg.
Con indicadores de rendimiento que coinciden o anulan constantemente los memristores anteriores junto con una alta tolerancia a los problemas de integración, los dispositivos FTJ de Athle y Borg son tremendamente prometedores. Sus convincentes resultados sugieren que después de años de progreso nominal, la sequía de memristores pronto podría transformarse en un oasis, preparando a estos dispositivos tan publicitados para finalmente permear las arquitecturas informáticas de IA y ofrecer eficiencia energética y ganancias de velocidad que superan con creces el status quo del silicio.
– Michael es autor de tres libros de la Royal Society of Chemistry:
Nano-sociedad: empujando los límites de la tecnología,
Nanotecnología: el futuro es pequeñoy
Nanoingeniería: las habilidades y herramientas que hacen que la tecnología sea invisible
Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de contribuyentes invitados. ¿Acaba de publicar un artículo científico o tiene otros desarrollos interesantes para compartir con la comunidad de nanotecnología? Aquí se explica cómo publicar en nanowerk.com.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.nanowerk.com/spotlight/spotid=64341.php
