Моделирование особенностей работы мемристивного кроссбар-массива в нейроморфных электронных модулях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Разработаны модель и методика моделирования мемристивных кроссбар-массивов с учетом падений напряжения на межсоединениях, шага перестройки уровней проводимости мемристивных элементов и нелинейности их вольт-амперных характеристик. Получены результаты тестирования импульсной нейронной сети в инференс-режиме в задаче распознавания изображений с применением разработанной методики моделирования с учетом характеристик экспериментально изготовленных мемристорных структур.

Полный текст

Доступ закрыт

Об авторах

А. П. Дудкин

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И.Ульянова (Ленина)

Автор, ответственный за переписку.
Email: rynenator@gmail.com
Россия, Санкт-Петербург

Е. А. Рындин

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И.Ульянова (Ленина)

Email: rynenator@gmail.com
Россия, Санкт-Петербург

Н. В. Андреева

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И.Ульянова (Ленина)

Email: rynenator@gmail.com
Россия, Санкт-Петербург

Список литературы

  1. Mutlu O., Ghose S., Gómez-Luna J., and Ausavarungnirun R. Processing data where it makes sense: Enabling in-memory computation // Proc. MICPRO, 2019. P. 28–41. doi: 10.1016/j.micpro.2019.01.009.
  2. Li C., Hu M., Li Y. et al. Analogue signal and image processing with large memristor crossbars // Nature Electronics, 2018. V. 1. P. 52–59. doi: 10.1038/s41928-017-0002-z.
  3. Li C., Belkin D., Li Y. et al. Efficient and self-adaptive in-situ learning in multilayer memristor neural networks // Nature Communication, 2018. V. 9. № 1. P. 2385-12385-8. doi: 10.1038/s41467-018-04484-2.
  4. Li C., Wang Z., Rao M. et al. Long short-term memory networks in memristor crossbar arrays // Nature Machine Intelligence, 2019. V. 1. № 1. P. 49–57. doi: 10.1038/s42256-018-0001-4.
  5. Hu M., Graves C. E., Li C. et al. Memristor-based analog computation and neural network classification with a dot product engine // Advanced Materials, 2018. V. 30. № 9. P. 1705914-1–1705914-5. doi: 10.1002/adma.201705914.
  6. Sheridan P., Cai F., Du C. et al. Sparse coding with memristor networks // Nature Nanotechnology, 2017. V. 12. № 8. P. 784–789. doi: 10.1038/nnano.2017.83.
  7. Du C., Cai F., Zidan M.A. et al. Reservoir computing using dynamic memristors for temporal information processing // Nature Communications, 2017. V. 8. 2204. https://doi.org/10.1038/s41467-017-02337-y.
  8. Marinella M.J., Agarwal S., Hsia A., Richter I., Jacobs-Gedrim R., Niroula J., Plimpton S.J., Ipek E., James C.D. Multiscale Co-Design Analysis of Energy, Latency, Area, and Accuracy of a ReRAM Analog Neural Training Accelerator // IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2017. PP. 1–14. 10.1109/JETCAS.2018.2796379.
  9. Xu H., Sun Y., Zhu Y., Wang X., Qin G. Statistical Temperature Coefficient Distribution in Analog RRAM Array: Impact on Neuromorphic System and Mitigation Method // https://arxiv.org/pdf/2105.05534, 2021.
  10. Akhmetov Y., James A.P. Probabilistic Neural Network with Memristive Crossbar Circuits // IEEE International Symposium on Circuits and Systems (ISCAS), Sapporo, Japan, 2019. P. 1–5. doi: 10.1109/ISCAS.2019.8702153.
  11. Gu P., Li B., Tang T. et al. Technological exploration of RRAM crossbar array for matrix-vector multiplication // The 20th Asia and South Pacific Design Automation Conference, Chiba, Japan, 2015. P. 106–111. doi: 10.1109/ASPDAC.2015.7058989.
  12. Xu Q., Wang J., Yuan B. et al. Reliability-Driven Memristive Crossbar Design in Neuromorphic Computing Systems // IEEE Transactions on Automation Science and Engineering, 2023. V. 20. № 1. P. 74–87. doi: 10.1109/TASE.2021.3125065.
  13. Thomas S. A., Vohra S. K., Kumar R., Sharma R., Das D. M. Analysis of Parasitics on CMOS based Memristor Crossbar Array for Neuromorphic Systems // IEEE International Midwest Symposium on Circuits and Systems (MWSCAS), Lansing, MI, USA, 2021. P. 309–312. doi: 10.1109/MWSCAS47672.2021.9531867.
  14. Zhang L., Borggreve D., Vanselow F., Brederlow R. Impact of Parasitic Wire Resistance on Accuracy and Size of Resistive Crossbars // IEEE International Symposium on Circuits and Systems (ISCAS), Daegu, Korea, 2021. P. 1–5. doi: 10.1109/ISCAS51556.2021.9401279.
  15. Kim H., Mahmoodi M.R., Nili H. 4K-memristor analog-grade passive crossbar circuit // Nature Communications, 2021. V. 12. 5198. https://doi.org/10.1038/s41467-021-25455-0
  16. Bayat F.M., Prezioso M., Chakrabarti B. et al. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits // Nature Communications, 2018. V. 9. 2331. https://doi.org/10.1038/s41467-018-04482-4
  17. Li Y., Ang K.-W. Hardware Implementation of Neuromorphic Computing Using Large‐Scale Memristor Crossbar Arrays // Advanced Intelligent Systems, 2020. V. 3. № 1. P. 2000137.
  18. Kim S., Hong K., Kim H., Kim M.‐H., Choi W. Overshoot‐Suppressed Memristor Array with AlN Oxygen Barrier for Low‐Power Operation in the Intelligent Neuromorphic Systems // Advanced Intelligent Systems, 2024. V. 2300797. P. 1–13. 10.1002/aisy.202300797.
  19. Deng L. The MNIST database of handwritten digit images for machine learning research // IEEE Signal Processing Magazine, 2012. V. 29. № 6. P. 141–142.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Мемристивный кроссбар массив: а – структура; б – реализация матрично-векторного умножения.

Скачать (186KB)
Метаданные
3. Рис. 2. Блок-схема итерационного алгоритма моделирования мемристивных кроссбар-массивов с учетом сопротивлений соединительных линий, нелинейности ВАХ и дискретности диапазона резистивных состояний мемристивных элементов.

Скачать (194KB)
Метаданные
4. Рис. 3. Схема мемристивного кроссбар-массива.

Скачать (224KB)
Метаданные
5. Рис. 4. Система уравнений (5) в матричном виде.

Скачать (162KB)
Метаданные
6. Рис. 5. Экспериментальные ВАХ мемристора на основе наноразмерной пленки TiOx для 20 циклов переключения. HRS и LRS – высокоомное и низкоомное состояния мемристора, соответственно.

Скачать (84KB)
Метаданные
7. Рис. 6. Высокоомные участки экспериментальных ВАХ мемристора на основе пленки TiOx.

Скачать (72KB)
Метаданные
8. Рис. 7. Семейство ВАХ для различных резистивных состояний, построенное по аппроксимации экспериментальных данных с шагом по току 2σ.

Скачать (170KB)
Метаданные
9. Рис. 8. Матрица весов программно предобученной импульсной нейронной сети.

Скачать (126KB)
Метаданные
10. Рис. 9. Падения напряжения на элементах мемристивного кроссбар-массива при различных сопротивлениях Rline элементов межсоединений.

Скачать (133KB)
Метаданные
11. Рис. 10. Падения напряжения в кроссбар-массиве при сопротивлении элементов соединений Rline = 10 Ом и различных минимальных значениях сопротивлений мемристивных элементов RD.

Скачать (146KB)
Метаданные
12. Рис. 11. Пример работы итерационного алгоритма.

Скачать (92KB)
Метаданные
13. Рис. 12. Сравнение токов, протекающих через элементы мемристивного кроссбар-массива, при нулевом сопротивлении соединительных линий (слева) и сопротивлении элементов соединений 1 Ом (справа).

Скачать (177KB)
Метаданные

© Российская академия наук, 2024