[논문 리뷰] Graphene-based RRAM devices for neural computing

Rajalekshmi TR, Rinku Rani Das외 2명|arXiv (Cornell University)|2023. 08. 05.

Advanced Memory and Neural Computing인용 수 5

한 줄 요약

이 논문은 신경망 계산을 위한 고성능이고 확장 가능한 솔루션으로 그래핀 기반 저항성 랜덤 액세스 메모리(RRAM) 장치를 제안한다. 그래핀의 뛰어난 전기적, 열적, 기계적 성질을 활용하여 스위칭 속도, 내구성, 유지성, 유연성을 향상시킨다. 주요 기여는 그래핀 기반 RRAM가 최대 16개 상태까지 가능한 다중 레벨 셀 저장 기능을 제공하며, CMOS 호환성과 함께 효율적이고 저전력의 뉴로모픽 계산을 가능하게 한다.

ABSTRACT

Resistive random access memory (RRAM) is very well known for its potential application in in-memory and neural computing. However, they often have different types of device-to-device and cycle-to-cycle variability. This makes it harder to build highly accurate crossbar arrays.Traditional RRAM designs make use of various filament-based oxide materials for creating a channel which is sandwiched between two electrodes to form a two-terminal structure. They are often subjected to mechanical and electrical stress over repeated read-and-write cycles. The behavior of these devices often varies in practice across wafer arrays over these stress when fabricated. The use of emerging 2D materials is explored to improve electrical endurance, long retention In review time, high switching speed, and fewer power losses. This study provides an in-depth exploration of neuro-memristive computing and its potential applications, focusing specifically on the utilization of graphene and 2D materials in resistive random-access memory (RRAM) for neural computing. The paper presents a comprehensive analysis of the structural and design aspects of graphene-based RRAM, along with a thorough examination of commercially available RRAM models and their fabrication techniques. Furthermore, the study investigates the diverse range of applications that can benefit from graphene-based RRAM devices.

연구 동기 및 목표

• 기존 RRAM에서 발생하는 장치 간 변동성 및 사이클 간 변동성을 줄이기 위해 그래핀을 스위칭 매체 또는 전극으로 통합함으로써 문제 해결.
• 내구성 (>10⁸ 사이클), 유지성 (>10년), 스위칭 속도 (<10 ns), 전력 효율성 (10 pJ) 등의 핵심 RRAM 성능 지표 향상.
• 뉴로모픽 계산에서 아날로그 시냅스 모방을 위한 RRAM의 다중 레벨 셀(MLC) 작동 가능화.
• 기존 반도체 아키텍처에 통합 가능한 그래핀 기반 RRAM의 CMOS 호환성 및 확장성 평가.

제안 방법

• 접촉 저항을 감소시키고 표면 효과를 최적화하기 위해 이중단 RRAM 구조에서 그래핀을 인터페이셜 레이어 또는 활성 스위칭 매체로 활용.
• 스위칭 저항성을 가능하게 하기 위해 그래핀과 함께 다양한 전극 재료(예: Ti, Ag, Ta)와 금속 산화물(예: HfO₂, SiO₂)을 활용.
• 고밀도 신경망 계산을 위해 그래핀-RRAM를 사용한 크로스바 어レイ 및 3D 스택 구조(예: 416×224×8) 설계.
• 이식 가능 방법을 활용한 그래핀-RRAM 장치 제작, 예를 들어 전이 기법과 CMOS 호환성을 확보하기 위한 저온 통합.
• 회로 기능 향상을 위해 주파수 도메인 다중화 및 그래핀 FET와 Si-CMOS 회로의 하이브리드 통합을 구현.
• leakage 감소 및 RRAM 어레이의 확장성 향상을 위해 1TNR(OneTransistor-N-RRAM) 아키텍처 도입.

실험 결과

연구 질문

• RQ1 그래핀 통합이 뉴로모픽 계산 응용 분야에서 RRAM 장치의 장치 간 변동성 및 사이클 간 변동성을 어떻게 완화할 수 있는가?
• RQ2 그래핀 기반 RRAM에서 확보 가능한 안정된 저항 상태의 최대 수는 얼마이며, 이는 다중 레벨 셀 저장에 어떻게 기여하는가?
• RQ3 그래핀 기반 RRAM가 동시에 고속 스위칭, 저전력 소비, 장시간 유지성 확보에 얼마나 효과적인가?
• RQ4 기존 CMOS 기술과의 그래핀-RRAM 장치의 호환성은 얼마나 높으며, 확장 가능한 뉴로모픽 시스템 통합에 얼마나 기여하는가?
• RQ5 성능 저하 없이 그래핀을 RRAM 구조로 이송하고 통합하는 데 있어 주요 과제는 무엇인가?

주요 결과

• 그래핀 기반 RRAM 장치는 10 ns 이하의 스위칭 속도와 약 10 pJ의 운영 당 전력 소모를 달성한다.
• 장치는 10⁸ 번 이상의 쓰기/지우기 사이클을 초월하는 전기적 내구성을 보이며, 10년 이상의 유지 시간을 확보한다.
• 그래핀 기반 메모리스티브 시스템에서 최대 16개의 고유한 저항 상태가 보고되었으며, 이는 아날로그 뉴로모픽 계산을 위한 효과적인 다중 레벨 셀(MLC) 저장을 가능하게 한다.
• 그래핀 통합은 열 관리 향상, 기계적 내구성(최대 500회 굽힘 시험), 온도 변화에 대한 내성 향상에 기여한다.
• 3D 그래핀-RRAM 어레이(예: 416×224×8)는 MNIST 데이터셋에서 성공적인 인식 성능을 입증하여 신경망 계산 분야의 유용성을 입증했다.
• 하이브리드 통합된 그래핀 FET와 Si-CMOS 회로, 1TNR 아키텍처를 포함한 CMOS 호환 제조 기술은 확장 가능하고 누설 전류가 적은 RRAM 시스템을 위한 잠재력을 보여준다.