[論文レビュー] Memristor nanodevice for unconventional computing:review and applications

Mahyar Shahsavari, Pierre Boulet|arXiv (Cornell University)|Mar 1, 2017

Advanced Memory and Neural Computing参考文献 44被引用数 4

ひとこと要約

この論文は、非揮発性メモリ、ニューロモルフィックシステム、アナログ／デジタル計算の分野における、異常な計算のための基本的構成要素としてのメモリスタナノデバイスをレビューしている。材料に基づくメモリスタの種類（抵抗性、スピントロニクス、有機、鉛酸エリスチック）を包括的に分析し、メモリウォールを克服し、脳にインspiredした計算を可能にする可能性を強調している。

ABSTRACT

A memristor is a two-terminal nanodevice that its properties attract a wide community of researchers from various domains such as physics, chemistry, electronics, computer and neuroscience.The simple structure for manufacturing, small scalability, nonvolatility and potential of using inlow power platforms are outstanding characteristics of this emerging nanodevice. In this report,we review a brief literature of memristor from mathematic model to the physical realization. Wediscuss different classes of memristors based on the material used for its manufacturing. Thepotential applications of memristor are presented and a wide domain of applications are explainedand classified.

研究の動機と目的

• 理論的基盤から実用的応用に至るまで、メモリスタナノデバイスを体系的にレビューすること。
• 材料組成に基づいた異なるメモリスタの種類の性能、利点、制限を分析すること。
• 非揮発性メモリ、デジタル論理、アナログ／ニューロモルフィック計算の分野におけるメモリスタの応用を分類・評価すること。
• 特に脳にインスパイアされた計算および低消費電力計算を念頭に、メモリスタベースのシステムにおける主要な研究分野と今後の方向性を特定すること。

提案手法

• チャアの理論的枠組みと磁束と電荷の間のメモランス関係を含む、メモリスタの数学的・物理的基盤をレビューすること。
• 材料とスイッチングメカニズムに基づき、4つの主要なカテゴリに分類：抵抗性（RRAM）、スピントロニクス（MRAM）、有機（ポリマー系）、鉛酸エリスチック（FeRAM）。
• 材料タイプごとのデバイスレベルの特性（スイッチング速度、耐久性、消費電力、CMOS適合性）を分析すること。
• 非揮発性メモリ（例：RRAM、PCM）、クロスバーマトリクスを用いた論理計算、およびオシレーターやフィルターなどのアナログ機能への応用を調査すること。
• スパイクニューラルネットワーク（SNNs）における人工シナプスとしてのメモリスタと、STDPに基づく学習を用いたニューロモルフィック応用を評価すること。
• 今後のシステム統合とハイブリッド回路設計を支援するための研究分類フレームワーク（図10）を提示すること。

実験結果

リサーチクエスチョン

• RQ1 抵抗性、スピントロニクス、有機、鉛酸エリスチックといった異なるメモリスタ材料が、デバイスの性能と特定の応用における適性にどのように影響を与えるか？
• RQ2 メモリスタは、従来の計算アーキテクチャにおいて、どの程度までメモリウォールを克服できるか？
• RQ3 メモリスタベースのシステムは、ニューロモルフィック計算におけるシナプス可塑性を効果的に模倣でき、オンライン学習をサポートできるか？
• RQ4 メモリスタデバイスの製造において、スケーラビリティ、耐久性、電力効率、CMOS適合性の間の主なトレードオフは何か？
• RQ5 メモリスタをハイブリッド回路に統合することで、新たなアナログ、デジタル、および神経にインスパイアされた計算パラダイムを実現できるか？

主な発見

• 抵抗性メモリスタ（例：RRAM）は、高いスケーラビリティと低消費電力のため、非揮発性メモリおよびニューロモルフィックシステムにおいて最も広く研究・応用されている。
• スピントロニクスおよび鉛酸エリスチックメモリスタは、高い耐久性と高速スイッチング速度を備えており、次世代の非揮発性メモリとして強い可能性を示している。
• 有機（ポリマー系）メモリスタは、そのチューナブルで非線形的な抵抗特性のおかげで、スパイクニューラルネットワークにおける人工シナプスに適している。
• メモリスタは、データ移動を削減するメモリ内計算アーキテクチャを可能にし、高性能計算におけるメモリウォールの克服に貢献する可能性がある。
• メモリスタを用いたニューロモルフィックシステムは、スパイクタイミング依存可塑性（STDP）のような複雑な学習ルールを実装でき、ディープベルリーフネットワークのようなプラットフォームで効率的なオンライン学習を実現できる。
• メモリスタベースのクロスバーマトリクスは、従来のトランジスタベースの設計と比較して、回路面積をほぼ10倍小さくし、速度対電力効率を向上させることができる。