[논문 리뷰] 4K-Memristor Analog-Grade Passive Crossbar Circuit

Hyungjin Kim, Hussein Nili외 2명|arXiv (Cornell University)|2019. 06. 27.

Advanced Memory and Neural Computing참고 문헌 46인용 수 15

한 줄 요약

이 논문은 에치다운 패터닝과 저온 프로세스 버젯을 사용한 팹리플라이어 호환 공정을 통해 64×64 피사모식 애날로그 등급 메모리스트로스스터 크로스바 회로를 제작하였으며, 약 99%의 장치 수율과 약 26%의 스위칭 전압 변동성을 달성하였다. 이는 4K픽셀 회색조 패턴을 <4% 평균 튜닝 오차로 정확하게 프로그래밍할 수 있으며, 합성 시냅스 무게 수입에서 약 1% 평균 오차로 MNIST 분류를 구현함으로써 뉴로모픽 컴퓨팅을 위한 피사모식 크로스바 애날로그 메모리 분야에서의 중요한 도약을 나타낸다.

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.

연구 동기 및 목표

• 뉴로모픽 시스템에서 칩 내 시냅스 무게 저장을 위한 고밀도, 피사모식 애날로그 등급 메모리스트로스터 크로스바를 개발하기 위해.
• 이전의 피사모식 크로스바 구현에서 제한을 초래한 높은 장치 변동성 문제를 해결하기 위해.
• 확장 가능한 팹리플라이어 호환 공정에서 저프로그래밍 오차와 높은 애날로그 정밀도를 달성하기 위해.
• 실제 뉴로모픽 작업, 예를 들어 MNIST 패턴 분류를 통해 크로스바 성능을 검증하기 위해.
• 피사모식 크로스바가 소프트웨어 모델 성능에 가까운 성능을 달성할 수 있음을 입증하여 효율적인 칩 내 학습을 가능하게 하기 위해.

제안 방법

• 크로스바는 수직 통합에 적합하고 균일성을 확보하기 위해 에치다운 패터닝을 적용한 저온, 팹리플라이어 호환 공정을 사용하여 제작되었다.
• 메모리스트로스터 장치는 애날로그 동작을 지원하기 위해 제어된 스위칭 특성을 갖춘 금속 산화물 구조를 기반으로 하였다.
• 공정 제어를 통해 장치 수율을 최적화하여 64×64 배열 전반에서 약 99%의 수율을 달성하였다.
• 회색조 패턴 표현을 위해 캘리브레이션된 진폭의 전압 펄스를 사용하여 프로그래밍을 수행하였다.
• 패턴 프로그래밍 중 실제 저항 상태를 목표 값과 비교하여 애날로그 정밀도를 검증하였다.
• 신경망 추론은 MNIST 데이터를 사용하여 수행되었으며, 외부에서 계산된 무게를 크로스바에 수입하여 분류 정확도를 평가하였다.

실험 결과

연구 질문

• RQ1 피사모식 메모리스트로스터 크로스바는 실용적인 뉴로모픽 컴퓨팅 응용을 위해 충분한 애날로그 정밀도와 낮은 프로그래밍 오차를 달성할 수 있는가?
• RQ2 신뢰할 수 있는 애날로그 메모리 작동과 정확한 무게 저장을 위해 피사모식 크로스바에서 허용 가능한 장치 변동성 수준은 어느 정도인가?
• RQ3 팹리플라이어 호환 공정은 고밀도, 고정밀도 메모리스트로스터 크로스바를 생산하여 뉴로모픽 칩에 통합할 수 있도록 할 수 있는가?
• RQ4 피사모식 크로스바는 실제 하드웨어에서 소프트웨어 시뮬레이션된 신경망의 성능을 어느 정도 재현할 수 있는가?
• RQ5 크로스바의 애날로그 정밀도는 MNIST 분류와 같은 패턴 인식 작업의 정확도에 어떤 영향을 미치는가?

주요 결과

• 64×64 피사모식 메모리스트로스터 크로스바는 약 99%의 장치 수율을 달성하여 높은 제조 신뢰성을 입증하였다.
• 스위칭 전압 변동성이 약 26%로, 4K픽셀 회색조 패턴을 평균 튜닝 오차 <4%로 프로그래밍하는 데에 충분하였다.
• 크로스바의 애날로그 특성 덕분에 합성 시냅스 무게 수입에서 약 1% 평균 오차로 MNIST 패턴 분류가 가능하여 소프트웨어 모델링 성능 한계에 근접하였다.
• 실제 신경망 추론 작업을 통해 크로스바의 성능이 실험적으로 검증되었으며, 뉴로모픽 컴퓨팅에 적합함을 확인하였다.
• 저온 버젯과 에치다운 패터닝을 적용한 팹리플라이어 호환 공정은 수직 통합과 확장 가능성을 지원한다.
• 이전의 피사모식 크로스바 구현 대비 복잡성과 애날로그 정밀도에서 상당한 향상을 이루었다.