[論文レビュー] 4K-Memristor Analog-Grade Passive Crossbar Circuit

Hyungjin Kim, Hussein Nili+2 more|arXiv (Cornell University)|Jun 27, 2019

Advanced Memory and Neural Computing参考文献 46被引用数 15

ひとこと要約

本稿では、エッチングダウンパターニングおよび低温プロセスバジェットを用いたファブリケーションプロセスで実装された64×64のパassiveアナロググレードメモリストレージ回路を提示する。この回路は、約99％のデバイス効率と約26％のスイッチング電圧ばらつきを達成し、4Kピクセルのグレースケールパターンを<4％の平均チューニング誤差で正確にプログラミング可能である。さらに、合成シナプス重みのインポートにおいて約1％の平均誤差でMNIST分類を実現し、神経形態計算におけるパassiveクロスバー型アナログメモリ分野において顕著な前進を示している。

ABSTRACT

The superior density of passive analog-grade memristive crossbars may enable storing large synaptic weight matrices directly on specialized neuromorphic chips, thus avoiding costly off-chip communication. To ensure efficient use of such crossbars in neuromorphic computing circuits, variations of current-voltage characteristics of crosspoint devices must be substantially lower than those of memory cells with select transistors. Apparently, this requirement explains why there were so few demonstrations of neuromorphic system prototypes using passive crossbars. Here we report a 64x64 passive metal-oxide memristor crossbar circuit with ~99% device yield, based on a foundry-compatible fabrication process featuring etch-down patterning and low-temperature budget, conducive to vertical integration. The achieved ~26% variations of switching voltages of our devices were sufficient for programming 4K-pixel gray-scale patterns with an average tuning error smaller than 4%. The analog properties were further verified by experimentally demonstrating MNIST pattern classification with a fidelity close to the software-modeled limit for a network of this size, with an ~1% average error of import of ex-situ-calculated synaptic weights. We believe that our work is a significant improvement over the state-of-the-art passive crossbar memories in both complexity and analog properties.

研究の動機と目的

• 神経形態計算システムにおけるオンチップシナプス重み記憶用に、高密度でパassiveアナロググレードのメモリストレージクロスバーを開発すること。
• 従来のパassiveクロスバーでは、高いデバイスばらつきが原因で、その実装が制限されてきた課題に取り組むこと。
• スケーラブルでファブリケーションプロセスに準拠したプロセスにおいて、低プログラミング誤差と高いアナログ忠実度を達成すること。
• 実際の神経形態計算タスク、例えばMNISTパターン分類を通じてクロスバーの性能を検証すること。
• パassiveクロスバーがソフトウェアモデルに近い性能を達成できることを示し、オンチップ学習を効率的に行えるようにすること。

提案手法

• クロスバーは、垂直統合に適した均一性と適合性を確保するため、エッチングダウンパターニングを用いた低温でファブリケーションプロセスに準拠したプロセスで製造された。
• メモリストレージデバイスは、アナログ動作をサポートするように制御されたスイッチング特性を有する金属酸化物構造に基づいている。
• プロセス制御を通じたデバイス効率の最適化により、64×64アレイ全体で約99％の効率が達成された。
• グレースケールパターン表現のためのアナログ抵抗状態を設定するために、校正された振幅の電圧パルスを用いてプログラミングが実施された。
• パターンプログラミング中の実測抵抗状態とターゲット値の比較を通じて、アナログ忠実度が検証された。
• ニューラルネットワーク推論はMNISTデータを用いてテストされ、事前に計算された重みをクロスバーにインポートして分類精度を評価した。

実験結果

リサーチクエスチョン

• RQ1 パassiveメモリストレージクロスバーは、実用的な神経形態計算アプリケーションに適した十分なアナログ精度と低プログラミング誤差を達成できるか？
• RQ2 信頼性の高いアナログメモリ動作と正確な重み記憶を実現するためのパassiveクロスバーで、どの程度のデバイスばらつきが許容可能か？
• RQ3 ファブリケーションプロセスに準拠したプロセスは、神経形態チップへの統合に適した高密度・高忠実度のメモリストレージクロスバーを実現できるか？
• RQ4 パassiveクロスバーは、実際のハードウェアでソフトウェアシミュレートされたニューラルネットワークの性能をどの程度再現できるか？
• RQ5 クロスバーのアナログ忠実度は、MNIST分類のようなパターン認識タスクの精度にどのように影響を与えるか？

主な発見

• 64×64のパassiveメモリストレージクロスバーは、約99％のデバイス効率を達成し、高いプロセス信頼性を示した。
• スイッチング電圧のばらつきは約26％であり、4Kピクセルのグレースケールパターンを平均4％未満のチューニング誤差でプログラミング可能であった。
• クロスバーのアナログ特性により、合成シナプス重みのインポートにおいて平均1％の誤差でMNISTパターン分類が実現され、ソフトウェアモデルの性能限界に近づいた。
• 実際のニューラルネットワーク推論タスクを用いた実験的検証により、クロスバーの神経形態計算用途への適性が確認された。
• 低温バジェットとエッチングダウンパターニングを備えたファブリケーションプロセスは、垂直統合とスケーラビリティをサポートする。
• 本結果は、複雑さとアナログ忠実度の両面で、従来のパassiveクロスバー実装に比べ顕著な向上を示している。