Javascript must be enabled to continue!
Novel 3D 1T1R RRAM architecture for memory-centric hyperdimensional computing
View through CrossRef
Architecture 3D 1T1R innovante à base de RRAMs pour le calcul hyperdimensionnel
Dans les prochaines années, en raison des besoins toujours plus grands des applications d'apprentissage machine dans le domaine de l'intelligence artificielle, une augmentation soutenue de la capacité de calcul est nécessaire pour faire face à un véritable "déluge de données". Pour relever ce défi, les architectures de calcul immergé en mémoire (IMC) à haute performance nécessitent le développement de nouvelles technologies adaptées à la fois au calcul local et au stockage. Dans ce contexte, ce travail de thèse présente de nouvelles matrices mémoire 3D 1T1R qui sont dérivées des transistors à nanofeuillés empilés. Cette nouvelle technologie est associée au calcul hyperdimensionnel (HDC), un paradigme inspiré du cerveau qui est à la fois résistant à l’erreur et facilement parallélisable. Tout d’abord, nous montrons que l’IMC peut largement bénéficier des architectures 3D basées sur les mémoires non volatiles (NVM) pour augmenter la densité et les performances de calcul. Toutefois, les difficultés de fabrication et les résistances et capacités parasites inhérentes aux structures 3D limitent parfois considérablement les performances de ces architectures pour l’IMC. Grâce à la technologie 3D 1T1R proposée dans ce travail, qui combine des nanofeuillés empilés comportant des grilles indépendantes avec une RRAM insérée dans le drain des transistors, nous montrons qu’il est possible de s’affranchir, en partie, de ces problèmes. Nous présentons, fabriquons et caractérisons électriquement plusieurs modules technologiques essentiels à la fabrication de structures 1T1R 3D. Nous démontrons également la fonctionnalité de cellules mémoires 1T1R pour lesquelles le point RRAM est intégré dans le drain de différents types de sélecteurs avec une électrode inférieure faite de Si dopé. Enfin, nous proposons d’implémenter l’algorithme HDC en mémoire pour tirer profit de notre structure 3D 1T1R. Différentes implémentations sont explorées et leurs performances sont évaluées à l’aide de simulations SPICE. Nous montrons également à l'aide de simulations logicielles que la classification de langages et la reconnaissance de gestes, basées sur le calcul hyperdimensionnel, peuvent être implémentées à l’aide de notre structure 3D 1T1R de façon réaliste.
Title: Novel 3D 1T1R RRAM architecture for memory-centric hyperdimensional computing
Description:
Architecture 3D 1T1R innovante à base de RRAMs pour le calcul hyperdimensionnel
Dans les prochaines années, en raison des besoins toujours plus grands des applications d'apprentissage machine dans le domaine de l'intelligence artificielle, une augmentation soutenue de la capacité de calcul est nécessaire pour faire face à un véritable "déluge de données".
Pour relever ce défi, les architectures de calcul immergé en mémoire (IMC) à haute performance nécessitent le développement de nouvelles technologies adaptées à la fois au calcul local et au stockage.
Dans ce contexte, ce travail de thèse présente de nouvelles matrices mémoire 3D 1T1R qui sont dérivées des transistors à nanofeuillés empilés.
Cette nouvelle technologie est associée au calcul hyperdimensionnel (HDC), un paradigme inspiré du cerveau qui est à la fois résistant à l’erreur et facilement parallélisable.
Tout d’abord, nous montrons que l’IMC peut largement bénéficier des architectures 3D basées sur les mémoires non volatiles (NVM) pour augmenter la densité et les performances de calcul.
Toutefois, les difficultés de fabrication et les résistances et capacités parasites inhérentes aux structures 3D limitent parfois considérablement les performances de ces architectures pour l’IMC.
Grâce à la technologie 3D 1T1R proposée dans ce travail, qui combine des nanofeuillés empilés comportant des grilles indépendantes avec une RRAM insérée dans le drain des transistors, nous montrons qu’il est possible de s’affranchir, en partie, de ces problèmes.
Nous présentons, fabriquons et caractérisons électriquement plusieurs modules technologiques essentiels à la fabrication de structures 1T1R 3D.
Nous démontrons également la fonctionnalité de cellules mémoires 1T1R pour lesquelles le point RRAM est intégré dans le drain de différents types de sélecteurs avec une électrode inférieure faite de Si dopé.
Enfin, nous proposons d’implémenter l’algorithme HDC en mémoire pour tirer profit de notre structure 3D 1T1R.
Différentes implémentations sont explorées et leurs performances sont évaluées à l’aide de simulations SPICE.
Nous montrons également à l'aide de simulations logicielles que la classification de langages et la reconnaissance de gestes, basées sur le calcul hyperdimensionnel, peuvent être implémentées à l’aide de notre structure 3D 1T1R de façon réaliste.
Related Results
Sequence Detection in Bilayer 1T1R RRAM Device with Integrated State Machine
Sequence Detection in Bilayer 1T1R RRAM Device with Integrated State Machine
Abstract
Recent advancements in machine learning algorithms have driven a search for novel computation hardware and techniques to alleviate data bottlenecks. In terms of ha...
Investigation of HfO2 based Resistive Random Access Memory (RRAM) : characterization and modeling of cell reliability and novel access device
Investigation of HfO2 based Resistive Random Access Memory (RRAM) : characterization and modeling of cell reliability and novel access device
Étude des mémoires résistives (RRAM) à base d’HfO2 : caractérisation et modélisation de la fiabilité des cellules mémoire et des nouveaux dispositifs d'accès (Sélecteurs)
...
Exploring the Impact of Variability in Resistance Distributions of RRAM on the Prediction Accuracy of Deep Learning Neural Networks
Exploring the Impact of Variability in Resistance Distributions of RRAM on the Prediction Accuracy of Deep Learning Neural Networks
In this work, we explore the use of the resistive random access memory (RRAM) device as a synapse for mimicking the trained weights linking neurons in a deep learning neural networ...
Resistive Switching Devices for Neuromorphic Computing: From Foundations to Chip Level Innovations
Resistive Switching Devices for Neuromorphic Computing: From Foundations to Chip Level Innovations
Neuromorphic computing has emerged as an alternative computing paradigm to address the increasing computing needs for data-intensive applications. In this context, resistive random...
RRAM-Based CAM Combined With Time-Domain Circuits for Hyperdimensional Computing
RRAM-Based CAM Combined With Time-Domain Circuits for Hyperdimensional Computing
Abstract
Content addressable memory (CAM) for search and match operations demands high speed and low power for near real-time decision-making across many critical domains. ...
Controllable Conductance Quantization in Electrochemical Metallization Based Tantalum Oxide Crossbar RRAM Devices
Controllable Conductance Quantization in Electrochemical Metallization Based Tantalum Oxide Crossbar RRAM Devices
<p>In the past decade resistance-based memory devices, or the resistive random access memory Devices (RRAM) have emerged as a potential candidate for multi-state memory stora...
Controllable Conductance Quantization in Electrochemical Metallization Based Tantalum Oxide Crossbar RRAM Devices
Controllable Conductance Quantization in Electrochemical Metallization Based Tantalum Oxide Crossbar RRAM Devices
<p>In the past decade resistance-based memory devices, or the resistive random access memory Devices (RRAM) have emerged as a potential candidate for multi-state memory stora...
The architecture of differences
The architecture of differences
Following in the footsteps of the protagonists of the Italian architectural debate is a mark of culture and proactivity. The synthesis deriving from the artistic-humanistic factors...

