Current-mode Memristor Crossbars for Neuromemristive Systems
受电流模式设计优势的启发,这篇简短的文章探讨了通过电流模式忆阻器交叉开关电路在神经忆阻系统中实现权重矩阵。在推导出电流模式设计中的权重的范围和分布的理论结果后,它表明,任何基于电压模式交叉杆的权重矩阵可以被映射到电流模式交叉杆,如果电压模式权重被仔细界定。然后,一个修改的梯度下降规则推导出的电流模式设计,可以用来执行反向传播训练。MNIST数据集上的行为模拟表明,电压和电流模式设计都能够实现类似的精度,并具有类似的缺陷容限。然而,对训练后的权重分布的分析表明,电流模式和电压模式设计可能使用不同的特征表示。
2017-07-17 cs.ET stat.ML
Hardware Security Primitives using Passive RRAM Crossbar Array: Novel TRNG and PUF Designs
随着电子产品的快速发展,这些设备的安全和隐私方面非常重要。在安全系统的设计中,物理不可克隆函数(PUF)和真随机数发生器(TRNG)是安全应用的关键硬件安全原语。提出了一种基于RRAM交叉开关结构的PUF和TRNG的实现方法。首先,提出了基于回写和50%开关概率脉冲的RRAM交叉开关中TRNG的两种实现技术。建议的TRNG的随机性使用NIST测试套件进行评估。接下来,提出了在RRAM交叉开关中实现PUF的架构。从TRNG使用用于PUF的初始熵源,并且收集质询-响应对(CRP)。拟议的PUF利用设备变化和潜路径电流来产生独特的CRP。我们证明,通过大量的实验,可靠性为100%,唯一性为47.78%,均匀性为49.79%,位混叠为48.57%,无需任何后处理技术。最后,设计与文献进行比较,以评估其执行效率,这显然是优于国家的最先进的。
2022-11-07 cs.AR cs.CR cs.ET
On Resistive Memories: One Step Row Readout Technique and Sensing Circuitry
基于晶体管的存储器正迅速接近其每单位面积的最大密度。电阻交叉阵列由于开关器件的小尺寸而能够实现更密集的存储器。然而,由于这些存储器的电阻性质,它们遭受使读出过程复杂化的电流潜路径。在本文中,我们提出了一种行读出技术与电路,可用于读取{选择器无}电阻交叉存储器。高吞吐量的读写技术是克服内存墙瓶颈问题和实现近内存计算的关键。所提出的技术可以在一个周期内读取整行密集交叉阵列,与以前公布的技术不同。对读出电路的要求进行了讨论,并在建议的电路满足。此外,推导出读取阵列时所消耗的功率的近似表达式。一个数字的优点的定义和使用的比较所提出的方法与现有的阅读技术。最后,定量分析了偏置失配对阵列尺寸的影响。
2019-03-04 cs.AR cs.ET
RxNN: A Framework for Evaluating Deep Neural Networks on Resistive Crossbars
Purdue University(普渡大学);Penn State University(宾夕法尼亚州立大学)
利用非易失性存储器设备设计的电阻式交叉开关已经成为深度神经网络(DNN)硬件的有前途的构建块,这是由于它们能够压缩和有效地实现向量矩阵乘法(VMM),即DNN中的主要计算内核。然而,电阻交叉开关面临的一个关键挑战是,它们受到一系列器件和电路级非理想性的影响,例如互连寄生效应、外围电路、潜路径和工艺变化。这些非理想性会导致VMM中的错误,最终降低DNN的准确性。因此,研究crossbar非理想性对大规模DNN准确性的影响至关重要。然而,这是具有挑战性的,因为现有的器件和电路模型太慢,无法用于应用级评估。我们提出了RxNN,这是一个快速准确的仿真框架,用于评估电阻交叉系统上的大规模DNN。RxNN将每个DNN层中涉及的计算拆分并映射到crossbar操作中,并使用快速Crossbar模型(FCM)对其进行评估,该模型可以准确捕获由于crossbar非理想性而产生的错误,同时比电路模拟快四到五个数量级。FCM使用三个阶段对基于交叉杆的VMM操作进行建模-输入和输出外围电路(DAC和ADC)的非线性模型,以及核心交叉杆阵列的等效非理想电导矩阵。我们通过扩展Caffe机器学习框架来实现RxNN,并使用它来评估为ImageNet Challenge开发的一套六个大规模DNN。我们的实验表明,电阻交叉非理想性会导致这些大规模DNN的精度显著下降(9.6%-32%)。据我们所知,这项工作是第一次定…
2020-06-02 cs.CV cs.ET cs.LG
2T1R Regulated Memristor Conductance Control Array Architecture for Neuromorphic Computing using 28nm CMOS Technology
针对1T1R忆阻器阵列的导线电阻引发的读写干扰等问题,提出28nm工艺下的2T1R调控型电导控制架构,通过双端接地阻漏、调控电流/电压控电导,优化神经形态计算的存内计算能效。
2025-05-19 cs.AR cs.ET cs.SY
Implementation of fast ICA using memristor crossbar arrays for blind image source separations
Birla Institute of Technology and Science (BITS) Pilani(比尔拉科学技术学院(BITS)皮拉尼分校)
独立分量分析是一种无监督学习方法,用于从多变量信号或数据矩阵中计算独立分量。基于权重矩阵与多变量数据矩阵的相乘来评估IC。本研究提出一种新颖的忆阻器交叉阵列,以实现ACY ICA和Fast ICA的盲声源分离。数据输入以脉宽调制电压的形式施加到交叉阵列,并且所实现的神经网络的权重存储在忆阻器中。来自忆阻器列的输出电荷用于计算权重更新,其通过保持高于忆阻器设置/重置电压的电压来执行。为了展示其潜在的应用,提出的忆阻器交叉阵列的快速ICA架构用于图像声源分离问题。实验结果表明,该方法能有效地分离图像源,与传统的ACY ICA算法和Fast ICA算法相比,图像的对比度得到了提高,结构相似度提高了67.27%.
2022-08-07 cs.ET cs.LG
Deep Neural Network Optimized to Resistive Memory with Nonlinear Current-Voltage Characteristics
人工神经网络计算依赖于密集的向量矩阵乘法。最近,新兴的非易失性存储器(NVM)交叉阵列显示出以高能量效率实现这种操作的可行性,因此有许多关于有效地利用新兴的NVM交叉阵列作为模拟矢量矩阵乘法器的工作。然而,它的非线性I-V特性限制了关键的设计参数,如读取电压和重量范围,导致大量的精度损失。在本文中,而不是一个给定的神经网络优化硬件参数,我们提出了一种方法,重建一个神经网络本身优化电阻存储器交叉阵列。为了验证所提出方法的有效性,我们使用MNIST和CIFAR-10数据集,使用两种不同的电阻式随机存取存储器(RRAM)模型,对各种神经网络进行了仿真。仿真结果表明,当突触器件具有非线性I-V特性时,我们提出的神经网络比传统的神经网络产生更高的推理精度。
2017-03-30 cs.ET cs.NE
Experimental Body-input Three-stage DC offset Calibration Scheme for Memristive Crossbar
在神经形态电路中同时读取多个ReRAM会增加功耗并限制可扩展性。当读出电路的偏移电压明显更大时,施加小的干扰读脉冲是徒劳的尝试。本文提出了一个三阶段的校准方案,以校准跨行的忆阻交叉的直流失调电压的实验验证。所提出的方法是基于偏置的缓冲器的差分对MOSFET之一的体端子通过一系列的级联电阻器组安排在三个阶段:粗,细和精细的阶段。该电路采用130 nm CMOS工艺设计,其上集成了基于OxRAM的二值忆阻器,并设计了专用的PCB和其他辅助电路板进行测试。实验结果验证了该方法的有效性,该方法仅受失配和电噪声的限制。
2021-03-03 cs.ET eess.SP
4K-Memristor Analog-Grade Passive Crossbar Circuit
无源模拟级忆阻交叉开关的优越密度可以使得能够将大的突触权重矩阵直接存储在专用神经形态芯片上,从而避免昂贵的芯片外通信。为了确保在类脑计算电路中有效地使用这种交叉,交叉点器件的电流-电压特性的变化必须基本上低于具有选择晶体管的存储单元的电流-电压特性的变化。显然,这一要求解释了为什么使用被动交叉杆的神经形态系统原型的演示如此之少。在这里,我们报告了一个64x64无源金属氧化物忆阻器交叉开关电路与~99%的器件成品率,基于一个代工兼容的制造工艺,具有蚀刻图案化和低温预算,有利于垂直集成。我们的器件实现了约26%的开关电压变化,足以编程4K像素灰度图案,平均调谐误差小于4%。通过实验证明MNIST模式分类的保真度接近这种大小的网络的软件建模极限,输入非原位计算的突触权重的平均误差为~1%,进一步验证了模拟特性。我们相信,我们的工作是一个显着的改进,国家的最先进的无源交叉开关存储器的复杂性和模拟性能。
2019-06-27 cs.ET cs.NE physics.app-ph
A Fully Automated Platform for Evaluating ReRAM Crossbars
本文提出了一种用于 NeuroBreakoutBoard 的控制板,实现了对 1T1R ReRAM 交叉阵列的可靠性评估,并通过案例研究分析了 TiN/Ti/HfO2/TiN 单元的周期间变化和读取干扰行为。
2024-03-20 cs.ET
Update Disturbance-Resilient Analog ReRAM Crossbar Arrays for In-Memory Deep Learning Accelerators
IBM Research Europe-Zurich(IBM欧洲苏黎世研究中心)
本研究针对模拟ReRAM交叉阵列内存内训练的权重更新干扰难题,开发了350nm工艺的抗干扰ReRAM器件,验证了其在内存深度学习加速器全并行权重更新中的应用潜力。
2026-08-27 cs.ET
Reliability-Performance Trade-offs in Neuromorphic Computing
使用非易失性存储器(NVM)构建的神经形态架构可以显著提高使用脉冲神经网络(SNN)设计的机器学习任务的能量效率。这些架构的交叉开关中的电压降的主要来源是交叉开关的位线和字线上的寄生组件,这些寄生组件被故意制造得更长以实现更低的每比特成本。我们观察到,寄生电压降在交叉开关中的NVM单元的编程速度和可靠性中产生显著的不对称性。具体地,在较短电流路径上的NVM单元编程更快,但具有比在较长电流路径上的NVM单元更低的耐久性,反之亦然。神经形态架构中的这种不对称性产生了可靠性-性能权衡,可以使用SNN映射技术有效地利用这一点。在这项工作中,我们使用先前提出的SNN映射技术与来自当代机器学习任务的10个工作负载来演示这种权衡,用于最先进的神经形态硬件。
2020-09-26 cs.DC cs.ET cs.NE
A Memristor-Based Optimization Framework for AI Applications
忆阻器作为构建新一代计算系统的无处不在的设备级组件最近受到了极大的关注。这些器件具有非易失性、低功耗、高密度和良好的可扩展性等特点。控制和修改忆阻器两端的偏置电压的能力使它们成为执行矩阵向量乘法和求解线性方程组的有希望的候选者。在这篇文章中,我们讨论了如何将交叉阵列中的忆阻器网络用于有效地解决优化和机器学习问题。我们介绍了一种新的忆阻器为基础的优化框架,结合了忆阻器交叉的计算优点的运营商分裂方法,交替方向乘法器(ADMM)的优点。在这里,ADMM有助于将复杂的优化问题分解为涉及线性方程组求解的子问题。通过将其应用于线性规划,二次规划和稀疏优化,该框架的能力。除了ADMM之外,还讨论了使用忆阻器交叉杆的用于特征值/特征向量计算的定制功率迭代(PI)方法的实现。基于忆阻器的PI方法可以进一步应用于主成分分析(PCA)。忆阻器交叉杆的使用产生了显着的计算速度,因此,我们相信,有可能推进人工智能(AI)中的优化和机器学习研究。
2017-10-18 cs.ET stat.ML
OpenMENA: An Open-Source Memristor Interfacing and Compute Board for Neuromorphic Edge-AI Applications
College of Science and Engineering(科学与工程学院)
本文提出开源忆阻器存内加速系统OpenMENA,集成可复现硬件接口、固件软件栈及VIPI权重编程与芯片在环微调方法,并在数字识别和机器人避障任务中验证了从权重迁移到片上学习的完整流程。
2025-11-03 cs.AI cs.ET
Variation-Resilient FeFET-Based In-Memory Computing Leveraging Probabilistic Deep Learning
针对FeFET器件变异导致存内计算精度下降的问题,提出基于贝叶斯神经网络的变异感知设计技术,通过实验表征电导变异并作为先验信息,在MNIST和CIFAR10上实现高精度推理,验证了器件-算法协同设计的有效性。
2024-03-13 cs.ET
Reliability of Capacitive Read in Arrays of Ferroelectric Capacitors
本文针对铁电电容器阵列电容读取的可靠性挑战,提出数字读取宏并利用Monte Carlo模拟评估器件变异性的影响,通过设计-技术协同优化提出缓解策略,并探讨其在安全硬件中的应用。
2025-06-11 cs.ET physics.app-ph