Le dispositif mémristif auto-conforme permet un fonctionnement à plusieurs niveaux et un réseau de barres croisées pour former des réseaux neuronaux
Ces dernières années, l'intelligence artificielle (IA) et l'Internet des objets ont progressé rapidement, entraînant des progrès dans des domaines tels que la reconnaissance vocale, la classification d'images dans les véhicules autonomes et les grands modèles de langage comme ChatGPT. Un élément clé de l’IA est l’apprentissage profond, qui nécessite le traitement parallèle de grandes quantités de données, un domaine dans lequel les ordinateurs traditionnels ont encore du mal à être efficaces. Les systèmes informatiques neuromorphiques ou de type cérébral, constitués de neurones artificiels et de synapses, offrent une faible consommation d'énergie et un traitement efficace des données.
L’une des technologies de semi-conducteurs les plus prometteuses pour l’informatique neuromorphique est la mémoire vive résistive (RRAM), un type de dispositif mémristif. Les dispositifs memristifs ont la capacité unique de « se souvenir » des états électriques passés. Dans la RRAM, cet effet mémoire résulte de la formation et de la dissolution d'un filament conducteur (CF) dans la couche isolante de sa structure métal-isolant-métal. Les isolants à base d'oxyde métallique jouent un rôle essentiel dans ce processus.
Cependant, même si les RRAM à base d'oxyde de titane offrent plusieurs avantages, elles souffrent de variations d'un appareil à l'autre, provoquées par des courants de dépassement lors de la formation des CF. Cela peut entraîner des pannes ou un effacement involontaire de la mémoire. Les méthodes actuelles pour atténuer les courants de dépassement nécessitent l’ajout de transistors ou de paramètres de conformité de courant externe (CC), ce qui augmente la complexité.
Dans le cadre d'une avancée majeure, une équipe de recherche sud-coréenne, dirigée par le professeur Sungjun Kim de la Division d'électronique et de génie électrique de l'Université de Dongguk, a développé un dispositif memristor auto-conforme (SC) qui surmonte ces problèmes.
Le professeur Kim déclare : « Dans cette étude, nous avons réalisé la SC sur un memristor à deux bornes haute densité et implémenté la multiplication vectorielle-matrice (VMM), le cœur du calcul des semi-conducteurs de l'IA, sur un réseau de 32 x 32 memristors. L'étude paraît dans ACS Nano.
Le dispositif memristor innovant est doté d'un oxyde d'aluminium/oxyde de titane (AlOx/TiOoui) couche au-dessus de la couche isolante. Cette couche agit comme une résistance interne, empêchant les courants de dépassement en contrôlant l'épaisseur du CF formé lors de la commutation, ce qui permet d'obtenir le SC. Les chercheurs ont peaufiné le TiOoui couche à 10 nanomètres, améliorant ainsi les performances de l'appareil.
Grâce à une série d'expériences, les chercheurs ont démontré les caractéristiques de commutation cohérentes du dispositif sans CC externe et un fonctionnement multiniveau fiable avec une faible consommation d'énergie. Ils ont également étudié les caractéristiques de potentialisation à long terme (LTP) et de dépression à long terme (LTD) du dispositif, qui représentent la force des connexions synaptiques entre les neurones dans les systèmes informatiques neuromorphiques.
En utilisant ces caractéristiques, ils ont simulé des réseaux de neurones basés sur l’appareil pour classer les images de la célèbre base de données MNIST. Les résultats ont révélé une précision d'apprentissage en ligne de 92,36 %. De plus, les réseaux neuronaux d'apprentissage hors ligne qui exploitaient le mode multiniveau SC de l'appareil ont atteint une précision de 96,89 %.
En fin de compte, les chercheurs ont construit un réseau neuronal en utilisant un réseau de barres croisées de 32 x 32 de leurs memristors pour démontrer les opérations VMM basées sur le réseau neuronal (SNN). Les SNN, qui imitent les processus de calcul du cerveau, sont connus pour leur faible consommation d'énergie. Le réseau neuronal basé sur un réseau crossbar a atteint une précision de classification de 94,6 % sur l'ensemble de données MNIST, avec une baisse de précision de seulement 1,2 % par rapport aux résultats de simulation, ce qui montre ses capacités exceptionnelles.
« Les matrices de memristors joueront un rôle central dans les architectures informatiques de nouvelle génération en raison de leur vitesse, de leur efficacité et de leur évolutivité », remarque le professeur Kim. « Au-delà de l'informatique neuromorphique, ils ont un large éventail d'applications potentielles, notamment la mémoire non volatile, l'IoT, l'apprentissage automatique et la cryptographie. De plus, les unités de traitement neuronal, spécialisées dans les opérations d'IA, nécessitent des puces de mémoire adaptées aux opérations VMM, telles que comme le réseau de memristors à haut rendement développé dans cette étude.
En résumé, ce dispositif innovant ouvre la voie au développement de systèmes informatiques neuromorphiques hautes performances et économes en énergie, ouvrant ainsi la voie à de nouvelles applications avancées d’IA.
Fourni par l'équipe d'évaluation et d'audit de l'Université Dongguk
