[论文解读] 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 15

一句话总结

本文提出了一种采用晶圆厂兼容工艺、蚀刻下拉图案化与低温工艺制度的64×64无源模拟级忆阻器交叉阵列电路，实现了约99%的器件良率和约26%的开关电压波动，能够以<4%的平均调谐误差精确编程4K像素灰度图案，并在突触权重导入中实现约1%的平均错误率，标志着无源交叉阵列模拟存储在神经形态计算领域的重要进展。

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.

研究动机与目标

• 开发一种高密度、无源模拟级忆阻器交叉阵列，用于神经形态系统中的片上突触权重存储。
• 解决无源交叉阵列中高器件变异性的挑战，该问题限制了以往此类电路的实现。
• 在可扩展、晶圆厂兼容的制造工艺中实现低编程误差和高模拟保真度。
• 通过实际神经形态任务（如MNIST模式分类）验证交叉阵列的性能。
• 证明无源交叉阵列可实现接近软件模型的性能，从而支持高效的片上学习。

提出的方法

• 采用低温、晶圆厂兼容的工艺，结合蚀刻下拉图案化技术，以确保均匀性并兼容垂直集成。
• 忆阻器件基于金属氧化物结构，其开关特性经过调控，以支持模拟操作。
• 通过工艺控制优化器件良率，在64×64阵列中实现约99%的良率。
• 采用幅度校准的电压脉冲进行编程，以设定模拟电阻状态，实现灰度图案表示。
• 通过在图案编程过程中比较实际电阻状态与目标值，验证了模拟保真度。
• 使用MNIST数据测试神经网络推理，将外部计算得到的权重导入交叉阵列，以评估分类准确率。

实验结果

研究问题

• RQ1 无源忆阻器交叉阵列能否实现足够的模拟精度和低编程误差，以满足实际神经形态计算应用的需求？
• RQ2 在无源交叉阵列中，何种程度的器件变异可被容忍，以实现可靠的模拟存储操作和准确的权重存储？
• RQ3 晶圆厂兼容的制造工艺能否实现高密度、高保真度的忆阻器交叉阵列，以适用于神经形态芯片的集成？
• RQ4 无源交叉阵列在真实硬件中能在多大程度上复现软件仿真神经网络的性能？
• RQ5 交叉阵列的模拟保真度在多大程度上影响灰度图案识别等任务（如MNIST分类）的准确性？

主要发现

• 64×64无源忆阻器交叉阵列实现了约99%的器件良率，证明了高制造可靠性。
• 开关电压波动约为26%，足以实现4K像素灰度图案的编程，平均调谐误差低于4%。
• 交叉阵列的模拟特性使MNIST图案分类的平均误差达到约1%（在突触权重导入中），接近软件建模的性能极限。
• 通过实际神经网络推理任务对交叉阵列性能进行了实验验证，确认其适用于神经形态计算。
• 采用低温工艺制度与蚀刻下拉图案化的晶圆厂兼容工艺，支持垂直集成与可扩展性。
• 与以往无源交叉阵列实现相比，本研究在复杂度和模拟保真度方面均实现了显著提升。