[논문 리뷰] Memristor nanodevice for unconventional computing:review and applications

Mahyar Shahsavari, Pierre Boulet|arXiv (Cornell University)|2017. 03. 01.

Advanced Memory and Neural Computing참고 문헌 44인용 수 4

한 줄 요약

이 논문은 비정상계산을 위한 기본 구성 요소로써 메모리스터 나노소자를 검토하며, 비버리어블 메모리, 뉴로모픽 시스템, 아날로그/디지털 계산에서의 역할을 강조한다. 재료 기반으로 분류된 메모리스터 유형(저항성, 스핀트로닉스, 유기성, 페로일렉트릭)에 대한 종합적 분석을 제시하며, 메모리 월을 극복하고 뇌 기반 계산을 가능하게 하는 데 기여할 잠재력을 강조한다.

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.

연구 동기 및 목표

• 이론적 기초에서부터 실용적 응용에 이르기까지 메모리스터 나노소자에 대한 체계적인 리뷰를 제공하는 것.
• 재료 조성에 기반한 다양한 메모리스터 유형의 성능, 장점, 한계를 분석하는 것.
• 비버리어블 메모리, 디지털 논리, 아날로그/뉴로모픽 계산 영역에서 메모리스터의 잠재적 응용을 분류하고 평가하는 것.
• 특히 뇌 기반 및 저전력 계산에서의 메모리스터 기반 시스템을 위한 핵심 연구 분야와 향후 방향을 규명하는 것.

제안 방법

• 메모리스터의 수학적 및 물리적 기초를 검토하며, 창의 이론적 프레임워크와 자기유도계수 및 전하 간의 메모리스턴스 관계를 포함한다.
• 재료 및 스위칭 메커니즘에 따라 메모리스터를 네 가지 주요 유형으로 분류: 저항성(RRAM), 스핀트로닉스(MRAM), 유기성(고분자), 페로일렉트릭(FeRAM).
• 재료 유형 간에 스위칭 속도, 내구성, 전력 소모, CMOS 호환성 등의 장치 수준 특성을 분석한다.
• 비버리어블 메모리(예: RRAM, PCM), 크로스바 어레이를 통한 논리 계산, 오scillators 및 필터와 같은 아날로그 기능 등 응용을 조사한다.
• 스피킹 뉴럴 네트워크(SNNs)에서 메모리스터를 인공 시냅스로 사용하여 STDP 기반 학습을 수행하는 뉴로모픽 응용을 평가한다.
• 미래의 시스템 수준 통합과 하이브리드 회로 설계를 안내하기 위한 연구 분류 프레임워크(그림 10)를 제공한다.

실험 결과

연구 질문

• RQ1 저항성, 스핀트로닉스, 유기성, 페로일렉트릭 메모리스터 재료의 차이가 장치 성능과 특정 응용 분야에 적합성에 미치는 영향은 무엇인가?
• RQ2 메모리스터는 전통적인 계산 아키텍처에서 메모리 월 문제를 어느 정도 해결할 수 있는가?
• RQ3 메모리스터 기반 시스템은 시냅스 가소성을 효과적으로 모방하고 뉴로모픽 계산에서 온라인 학습을 지원할 수 있는가?
• RQ4 메모리스터 소자 제작에서 확장성, 내구성, 전력 효율성, CMOS 호환성 간의 주요 트레이드오프는 무엇인가?
• RQ5 메모리스터는 하이브리드 회로에 어떻게 통합되어 새로운 아날로그, 디지털, 뉴로모픽 기반 계산 패러다임을 가능하게 할 수 있는가?

주요 결과

• 저항성 메모리스터(RRAM 등)는 높은 스케일러빌리티와 낮은 전력 소모로 인해 비버리어블 메모리 및 뉴로모픽 시스템에서 가장 널리 연구되고 적용되고 있다.
• 스핀트로닉스 및 페로일렉트릭 메모리스터는 높은 내구성과 빠른 스위칭 속도를 바탕으로 차세대 비버리어블 메모리에 강력한 잠재력을 보인다.
• 유기(고분자) 메모리스터는 비선형적 저항 특성의 조절 가능성이 높아 스피킹 뉴럴 네트워크에서 인공 시냅스로 매우 적합하다.
• 메모리스터는 데이터 이동을 줄이는 메모리 내 계산 아키텍처를 가능하게 하여 고성능 계산에서 메모리 월 문제를 해결할 잠재력을 지닌다.
• 메모리스터를 사용하는 뉴로모픽 시스템은 스파이크 타이밍 의존성 가소성(STDP)과 같은 복잡한 학습 규칙을 구현할 수 있으며, 딥 벨리프 네트워크와 같은 플랫폼에서 효율적인 온라인 학습을 가능하게 한다.
• 메모리스터 기반 크로스바 어레이 설계는 기존 트랜지스터 기반 설계 대비 회로 면적을 거의 10배 감소시키고, 속도 대비 전력 효율성을 향상시킬 수 있다.