• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Un transistor a gate flottante a due terminali per il calcolo neuromorfo

    Il professor Shahar Kvatinsky (a sinistra) e lo studente di dottorato Loai Danial (a destra), due dei ricercatori dietro lo studio. Credito:Rami Shlush.

    I ricercatori di Technion e TowerJazz in Israele hanno recentemente costruito un transistor a gate flottante a due terminali che potrebbe avere utili applicazioni nel calcolo neuromorfo. Questo transistor, presentato in un documento in Elettronica della natura , è stato fabbricato utilizzando la tecnologia standard single-poly e un processo CMOS commerciale a 180 nm.

    "Il nostro laboratorio di solito lavora su circuiti e architetture con dispositivi emergenti, come i memristori, "Shahar Kvatinsky, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Il problema con questi dispositivi è che non sono disponibili in commercio e possiamo ottenerli solo su piccola scala e con scarsa affidabilità. Quindi, di solito, ci affidiamo a simulazioni o a piccole prove di concetto con i dispositivi disponibili."

    Inizialmente, Kvatinsky e i suoi colleghi hanno iniziato a cercare un modo per testare le loro idee in un ambiente più affidabile. Successivamente, durante una collaborazione con TowerJazz volta a modificare i dispositivi Y-Flash commerciali di quest'ultimo, il team si è reso conto che in determinate condizioni, questi dispositivi potrebbero avere un comportamento simile ai dispositivi presentati nei loro progetti. Dopo una serie di test su questi dispositivi, decisero di modellarli come memristori.

    "Il comportamento dei memristori è molto diverso dai transistor esistenti, " ha detto Kvatinsky. "Sono a due terminali (contro tre o quattro terminali nei transistor) e si comportano come resistori con memoria (questo è il significato del nome). Sebbene i memristori non siano disponibili in commercio, Y-Flash è, in un processo stabile di 0,18 um."

    I dispositivi simili a memristori presentati dai ricercatori possono essere sintonizzati con precisione utilizzando tensioni e tempi di commutazione ottimizzati. Inoltre, possono raggiungere 65 livelli resistivi distinti e avere una conservazione dei dati analogici di 10 anni.

    Il vantaggio principale di questi dispositivi, però, è che mentre riproducono un comportamento simile a un memristore, possono essere facilmente costruiti utilizzando la tecnologia disponibile in commercio, il che non è vero per la maggior parte dei memristori esistenti. Inoltre, sono a bassa potenza e quindi notevolmente efficienti dal punto di vista energetico.

    "Si noti che per fabbricare l'Y-Flash in modalità memristiva, le modifiche che abbiamo fatto sono minori e non richiedono passaggi di fabbricazione aggiuntivi, " ha aggiunto Kvatinsky. "Ciò significa che il loro costo è identico ai transistor Y-Flash standard".

    Kvatinsky ei suoi colleghi hanno condotto una serie di esperimenti in cui hanno dimostrato il potenziale dei loro memristori per una serie di applicazioni neuromorfiche di base. In particolare, hanno dimostrato che sono adatti per ottenere una plasticità dipendente dal tempo di picco, moltiplicazione vettore-matrice, memoria associativa e formazione sulla classificazione.

    "Per gli accademici come me, i nostri transistor ci permetteranno di testare le nostre idee in un progetto su larga scala con transistor normali, " ha detto Kvatinsky. "Per l'industria, apre opportunità per produrre sistemi di intelligenza artificiale neuromorfici efficienti per applicazioni a bassa potenza".

    Questi memristori potrebbero aprire nuove entusiasmanti possibilità per numerose aree di ricerca e sviluppo. Potrebbero essere particolarmente utili per applicazioni che richiedono l'uso di memristori su larga scala, come i sistemi di IA neuromorfici, così come per quelli che richiedono un'ottima integrazione con le tecnologie commerciali.

    "In questo documento, abbiamo mostrato come si comporta il dispositivo di base e dimostrato diverse applicazioni relative alle reti neurali, " ha detto Kvatinsky. "Ora abbiamo in programma di progettare e produrre applicazioni più grandi e integrarle con i transistor".

    © 2020 Scienza X Rete




    © Scienza http://it.scienceaq.com