Ученые переработали RRAM. Теперь на ней можно запустить обучение моделей ИИ
Функционирование RRAM основано на эффекте резистивного переключения — обратимом бистабильном (мультистабильном) изменении электропроводности диэлектрика под действием внешнего электрического поля.
Диэлектрики, которые в нормальном состоянии имеют очень высокое сопротивление, после приложения достаточно высокого напряжения формируют внутри себя проводящие нити низкого сопротивления (филаменты), и по сути, превращаются из диэлектрика в проводник.
Формирование этих нитей часто требует слишком высоких напряжений для стандартных CMOS, что затрудняет интеграцию внутри процессоров. Хуже того, формирование нитей — это шумный и случайный процесс, который не идеально подходит для хранения данных. (Представьте, что веса нейронной сети случайным образом дрейфуют. Ответы на один и тот же вопрос менялись из дня на день.)
Кроме того, большинство ячеек RRAM на основе филаментов шумят означает, что их необходимо изолировать от окружающих цепей, обычно с помощью селекторного транзистора, что затрудняет 3D-стекирование.
Исследователи из Сан-Диего решили полностью отказаться от нитей. Вместо этого они разработали устройства, которые переключают целый слой с высокого сопротивления на низкое и обратно. Этот формат, получивший название «объемная резистивная память с произвольным доступом», позволяет обойтись без раздражающего этапа формирования высоковольтных нитей и ограничивающего геометрию селекторного транзистора.
Группа ученых из Сан-Диего не была первой, кто создал объемные устройства на основе резистивной памяти с произвольным доступом, но она совершила прорыв как в их уменьшении, так и в создании на их основе трехмерных схем. Ученые уменьшили резистивную память до наноразмеров: диаметр их устройства составлял всего 40 нанометров. Кроме того, им удалось создать до восьми слоев объемной резистивной памяти.
С помощью одного импульса одинакового напряжения можно создать восьмислойный массив ячеек, каждая из которых может иметь любое из 64 значений сопротивления, чего очень сложно добиться при использовании традиционных резистивных запоминающих устройств на основе нитей. И если сопротивление большинства ячеек на основе нитей ограничено килоомами, то сопротивление массива в Сан-Диего находится в диапазоне мегаом, что, лучше подходит для параллельных операций.
Эти два преимущества — большее количество уровней сопротивления и более высокое сопротивление — могут позволить этому массивному стеку RRAM выполнять более сложные операции, чем это под силу традиционным RRAM.
Ученые собрали несколько восьмислойных стеков в 1-килобайтный массив, для которого не требовались селекторы. Затем они протестировали массив с помощью алгоритма непрерывного обучения: чип должен был классифицировать данные с носимых датчиков — например, считывать данные со смартфона, закрепленного на поясе, чтобы определить, сидит ли человек, идет, поднимается по лестнице или выполняет какое-то другое действие, — и при этом постоянно получать новые данные. Тесты показали точность в 90 %, что, по словам исследователей, сопоставимо с производительностью цифровой нейронной сети.
Сообщение Ученые переработали RRAM. Теперь на ней можно запустить обучение моделей ИИ появились сначала на Время электроники.