[论文解读] Statistical Temperature Coefficient Distribution in Analog RRAM Array: Impact on Neuromorphic System and Mitigation Method

Heng Xu, Yue Sun+3 more|arXiv (Cornell University)|May 12, 2021

Advanced Memory and Neural Computing参考文献 29被引用 3

一句话总结

该论文提出了一种紧凑模型，用于分析基于HfOx的模拟RRAM阵列中温度系数（Tα）的统计分布，该分布因电导漂移而降低类脑推理精度。通过优化电导范围选择并应用电流补偿方案，该方法将400K时MNIST分类准确率从79.8%提升至89.6%，有效缓解了高温类脑系统中的热不稳定性问题。

ABSTRACT

Emerging analog resistive random access memory (RRAM) based on HfOx is an attractive device for non-von Neumann neuromorphic computing systems. The differences in temperature dependent conductance drift among cells hamper computing accuracy, characterized by the statistical distribution of temperature coefficient(T{\alpha}). A compact model was presented in order to investigate the statistical distribution of T{\alpha} under different resistance states. Based on this model, the physical mechanism of thermal instability of cells with a positive T{\alpha} was elucidated. Furthermore, this model can also effectively evaluate the impact of conductance distribution of different levels under various temperatures in artificial neural networks (ANN). An approach incorporating the optimized conductance range selection and the current compensation scheme was proposed to reduce the impacts of the distribution of T{\alpha}. The simulation results showed that recognition accuracy was improved from 79.8% to 89.6% for the application of MNIST handwriting digits classification with a two-layer perceptron at 400K after adopting the proposed optimization method.

研究动机与目标

• 研究不同电阻状态下基于HfOx的模拟RRAM阵列中温度系数（Tα）的统计分布。
• 理解多弱丝结构RRAM中正Tα单元热不稳定的物理起源。
• 评估Tα分布对人工神经网络（ANNs）在不同温度下推理精度的影响。
• 开发并验证一种结合优化电导范围选择与电流补偿的缓解策略，以恢复类脑系统中的精度。

提出的方法

• 开发了二维原子级仿真模型，用于模拟多弱丝HfOx RRAM中的SET过程与氧空位动力学，从而实现对Tα分布的预测。
• 使用变异系数（cv）量化三个电导范围内的Tα分散程度：低（12.5–25μS）、中（25–50μS）和高（50–100μS）。
• 设计了基于公式∆𝐼𝑗,𝑇 = −(𝑇𝛼×∆𝑇)/(1+𝑇𝛼×∆𝑇)×𝐼𝑗,𝑇0 的电流补偿方案，以抵消温度引起的电导漂移。
• 基于Tα变异性较低（低范围中cv = 5.48%）的特性选择电导范围，确保权重映射的稳定性。
• 利用实测工作温度实时应用补偿电流，以恢复原始输出电流。
• 采用两层感知机在MNIST数据集上验证该方法，跟踪从300K到400K温度范围内的推理准确率。

实验结果

研究问题

• RQ1 在基于HfOx的RRAM阵列中，不同电阻状态下温度系数（Tα）的统计分布如何？
• RQ2 多弱丝结构中具有正Tα的RRAM单元热不稳定的物理机制是什么？
• RQ3 阵列中Tα分布如何影响高温下人工神经网络的推理精度？
• RQ4 优化电导范围选择与电流补偿是否能有效恢复由Tα引起的电导漂移导致的精度损失？
• RQ5 为何该补偿方法在350K以下无效？这对类脑系统热管理有何启示？

主要发现

• 在低电导范围（12.5–25μS）中，Tα的变异系数（cv）为5.48%，显著低于中范围的16.3%和高范围的32.62%，表明低电导单元中Tα具有更高的均匀性。
• 在400K时，当仅考虑Tα分布时，两层感知机在MNIST上的推理准确率从基线的94.48%下降至79.8%，凸显其重大影响。
• 通过所提出的优化与补偿方法，400K下的平均推理准确率恢复至89.6%，实现了9.8个百分点的提升。
• 电流补偿方案在350K以下无效，表明低温下热漂移较不显著，而热耗散对低于此阈值运行的系统更为关键。
• 正Tα单元不稳定的物理根源可归因于多弱丝结构与氧空位分布，导致温度变化下电导漂移非均匀。
• 研究证实，高温下保持性能的退化进一步降低精度，强调了在类脑硬件中实施有效热管理的必要性。