一種新型接口型憶阻器：用于為下一波神經形態計算構建人工突觸
2023-06-14 10:42:55 EETOP編譯該器件是由金/鈮摻雜的鈦酸鍶制成的接口型憶阻器，全部采用肖特基結構(Au/Nb:STO)。器件的模擬電阻可以通過憶阻器接口進行控制，使用這些材料，可以修改電壓極性和振幅等肖特基勢壘參數，從而改變器件的電導。
憶阻器是神經形態計算中一項很有前途的技術，因為即使在斷電時它們也可以被編程和“記住”。這模仿了“突觸可塑性”，這是大腦記憶和學習的重要基礎。它允許突觸根據其活動增強或減弱，并由突觸上的神經遞質受體控制。
除了突觸可塑性，研究人員的原型還可以模擬其他突觸功能，例如成對脈沖促進、短期增強和抑制、長期增強和抑制以及尖峰時間依賴性可塑性。洛斯阿拉莫斯團隊認為，他們的新設備可能會避開馮諾依曼瓶頸的傳統挑戰。
馮諾依曼瓶頸描述了經典計算機體系結構中的一個問題，其中處理和內存是分開的。要將信息傳輸到計算機的中央處理器 (CPU) 或圖形處理單元 (GPU)，必須從內存中讀取數據，然后通過數據總線傳輸。
瓶頸出現在這個數據傳輸過程中。多年來，研究人員付出了巨大的努力來最大限度地減少這一瓶頸，使用預取、預測執行或緩存等策略。然而，數據速率在一定程度上仍然受到限制，當需要傳輸和處理圖像或視頻等數據集時，這可能是一個挑戰。
這種數據傳輸會消耗大量能量；在數據中心用于機器學習等應用的世界中，能源使用也越來越受到成本和環境影響的關注。
像 CINT 設計的憶阻器設備有可能在同一個物理設備上同時執行處理和數據存儲，這不僅可以克服數據傳輸的瓶頸，還可以降低能耗。
修改后的國家標準和技術 (MNSIT)手寫數字數據集通常用作機器學習和圖像分類性能的基準。該數據集包含一組 28 x 28 的灰度手寫數字，從 0 到 9。
CINT 團隊使用 Crossbar 模擬器構建了一個三層神經網絡，并使用長時程增強和長時程抑制突觸功能通過 25 個時期的反向傳播對其進行了訓練。仿真達到了 94.72% 的預測精度。研究人員表示，這優于其他候選憶阻器架構，例如導電絲型憶阻器。
現今的基準測試準確度已達~99.8% 范圍之內。然而，考慮到該設備處于早期研究階段，94.72% 的 CINT 結果仍然值得注意。
