[论文解读] Neuromorphic Computing with Deeply Scaled Ferroelectric FinFET in Presence of Process Variation, Device Aging and Flicker Noise.

Sourav De, Bo-Han Qiu+5 more|arXiv (Cornell University)|Mar 5, 2021

Advanced Memory and Neural Computing参考文献 14被引用 16

一句话总结

该论文表明，即使存在工艺失配、闪烁噪声和器件老化等非理想因素，采用6 nm HfZrO2层的深度缩放铁电FinFET仍能实现可靠的类脑计算。基于预训练的97.5%准确率MNIST网络，结果表明在所有非理想条件下，二值化神经网络的表现优于模拟和四值化模型，其数据保持时间推算超过10年，验证了结合优化架构与算法后，铁电FinFET在非冯·诺依曼计算中的可行性。

ABSTRACT

This paper reports a comprehensive study on the applicability of ultra-scaled ferroelectric FinFETs with 6 nm thick hafnium zirconium oxide layer for neuromorphic computing in the presence of process variation, flicker noise, and device aging. An intricate study has been conducted about the impact of such variations on the inference accuracy of pre-trained neural networks consisting of analog, quaternary (2-bit/cell) and binary synapse. A pre-trained neural network with 97.5% inference accuracy on the MNIST dataset has been adopted as the baseline. Process variation, flicker noise, and device aging characterization have been performed and a statistical model has been developed to capture all these effects during neural network simulation. Extrapolated retention above 10 years have been achieved for binary read-out procedure. We have demonstrated that the impact of (1) retention degradation due to the oxide thickness scaling, (2) process variation, and (3) flicker noise can be abated in ferroelectric FinFET based binary neural networks, which exhibits superior performance over quaternary and analog neural network, amidst all variations. The performance of a neural network is the result of coalesced performance of device, architecture and algorithm. This research corroborates the applicability of deeply scaled ferroelectric FinFETs for non-von Neumann computing with proper combination of architecture and algorithm.

研究动机与目标

• 评估采用6 nm HfZrO2的超缩放铁电FinFET在真实器件非理想性条件下的类脑计算可行性。
• 分析工艺失配、闪烁噪声和器件老化对使用模拟、四值化（2位/单元）和二值化突触的神经网络推理准确率的影响。
• 开发一种统计模型，以准确捕捉器件层面的变异特性用于神经网络仿真。
• 在氧化物厚度缩放下，验证铁电FinFET中长期数据保持能力。
• 证明基于铁电FinFET的二值化神经网络在所有非理想条件下均优于模拟和四值化替代方案。

提出的方法

• 采用预训练的97.5% MNIST推理准确率神经网络作为评估基准。
• 开发了统计模型，以在仿真中捕捉工艺失配、闪烁噪声和器件老化的影响。
• 进行了器件层面表征，以提取关于保持能力、变异性和噪声行为的参数。
• 利用所开发的统计模型，仿真了工艺失配、闪烁噪声和老化共同作用下的神经网络性能。
• 在相同条件下对比了二值化、四值化（2位/单元）和模拟突触实现方式。
• 在氧化物厚度缩放下，通过器件模型实现了超过10年的保持时间外推。

实验结果

研究问题

• RQ1 采用6 nm HfZrO2的超缩放铁电FinFET能否在工艺失配、闪烁噪声和器件老化条件下维持可靠的类脑推理？
• RQ2 工艺失配、闪烁噪声和保持能力退化如何影响模拟、四值化和二值化神经网络实现的推理准确率？
• RQ3 能否通过架构与算法设计有效建模并缓解器件非理想性的综合影响？
• RQ4 在相同非理想条件下，二值化突触表示是否优于模拟和四值化表示？
• RQ5 在氧化物厚度缩放下，基于铁电FinFET的二值化突触的外推数据保持时间是多少？

主要发现

• 基于铁电FinFET的二值化神经网络在所有非理想条件下均表现出优于模拟和四值化实现的推理准确率。
• 二值化神经网络有效缓解了因氧化物厚度缩放、工艺失配和闪烁噪声导致的保持能力退化影响。
• 铁电FinFET中二值化读出过程的外推保持时间超过10年。
• 统计模型成功捕捉了工艺失配、闪烁噪声和器件老化对神经网络性能的综合影响。
• 神经网络性能被证明是器件、架构与算法协同作用的结果，最优协同效应可实现可靠的类脑计算。