Toekomstige AI-systemen hebben mogelijk on-die geheugen, volgens ReRAM-onderzoekers

0 reacties

Onderzoekers van de Universiteit van Georgia hebben in samenwerking met TSMC een type resistive ram (ook wel reram of rram) ontwikkeld dat met name interessant is voor machine learning-systemen. Het onderzoek is onthuld op de International Solid State Circuits Conference (ISSCC).

Resistive ram is niet bepaald nieuw, de eerste referenties zijn al een halve eeuw oud. Toch wordt dit geheugen nog niet breed ingezet. De onderzoekers van de Amerikaanse universiteit hebben het geheugen geïntegreerd op een logica-chip bedoeld voor het gebruik van machine learning-algoritmen. Het nieuwe geheugen maakt gebruik van TSMC's 40nm-productieproces voor reram en de betreffende chip heeft een opslagcapaciteit van 64 kilobit. Welke procestechnologie er precies gebruikt is is niet bekend, maar SemiWiki schrijft dat TSMC reram-technieken in huis heeft op basis van tinoxide (TiO). De universiteit noemt wel dat er oxide-ionen van de ene elektrode naar de andere verhuizen. Daardoor verandert de elektrische geleidbaarheid van het materiaal, waardoor een bit een één of een nul kan zijn.

Het verplaatsen van de ionen zelfs in plaats van de elektronen zal de nodige impact hebben op de levensduur van de geheugencel. Toch zijn er een aantal voordelen ten opzichte van andere geheugentypen. Het is net als nand non-volatiel, waardoor de data niet verloren gaat zodra de stroom wegvalt. Ook de retentietijd is lang, waardoor je lang nadat het geheugen is beschreven de data moet kunnen ophalen. De datadichtheid is twee tot vier keer die van sram, en de schrijfsnelheid moet erg vergelijkbaar zijn met die van embedded flashgeheugen.

De onderzoekers verklaren dat hun variant geschikt is voor het doen van multiply-accumulate-berekeningen (mac-berekeningen), omdat de data niet regelmatig wordt verwijderd. Een mac-berekening telt het resultaat van een berekening namelijk op bij de bestaande formule, waardoor de dataset steeds groter wordt. Dat is met name belangrijk bij bepaalde artificial intelligence-modellen. Dergelijke chips kunnen daarom goed worden geïntegreerd in machine learning-producten, als vervanging voor embedded flashgeheugen.

Bronnen: IEEE Explore, SemiWiki

« Vorig bericht Volgend bericht »
0