MENU
项目介绍:

CINNO Research产业资讯,东京大学2020年6月14日公布,研发了可以提高深度学习速度,集成了氧化物半导体IGZO和非挥发性存储半导体的三维集成元件。


据东京大学表示,深度学习的推论系统,需要一定程度(甚至更多)的计算能力。使用了大量数据的深度学习由多层神经网络构成,处理器与存储半导体之间的大量数据移动是影响性能发挥的重大瓶颈。为解决这一问题,内存内计算(In Memory Computing,使存储半导体本身具有运算功能)虽然颇受关注,在传统的二维结构的存储半导体的排列方式下,随着网络模式(Network Model)的大型化发展,出现了排线较长、计算延迟、功耗增大的问题,由于可同时存取(Access)的存储半导体的量是被限制的,因此也存在并行处理受限的问题。


此次,为了获得三维神经网络(Neural Net,立体堆叠了能够解决上述问题的存储半导体),东京大学研发了集成极薄氧化物半导体IGZO(由In-Ga-Zn-O四种元素构成的氧化物半导体)晶体管(IGZO晶体管)和阻变式非挥发型存储器(RRAM)的三维集成元件。


此次研发的集成元件由RRAMIGZO晶体管存储单元的阵列构成。各层的IGZO晶体管有足够大的电流驱动、且非挥发性存储半导体的特性以及信赖性几乎相同,因此几乎没有积层工艺的劣化现象。因此,有可能支持进一步积层化的网络模式(Network Model)。


就此款元件的内存内计算(In Memory Computing)而言,东京大学还验证了作为神经网络(Neural Net)的XNOR的运算。由于不产生稳定电流,因此可以以原来1/10(甚至更低)的功耗进行运算。


在低于400度(400度是适用于普通集成线路的排线层工艺的最高温度)的工艺条件下,使用氧化物半导体IGZO进行了此次研发;东京大学正在研发的二维层状物质的迁移率是IGZO的数倍甚至数十倍。如果此项二维层状物质在400度以下的温度下可以成膜,东京大学正在推进研发运用此次研发的结构(Architecture)可以获得更高效的内存内计算(In Memory Computing)。

事宜人群:
产品详情

东京大学研发了可以加快深度学习的三维集成元件—集成氧化物半导体IGZO与非挥发性存储半导体

东京大学研发了可以加快深度学习的三维集成元件—集成氧化物半导体IGZO与非挥发性存储半导体

CINNO Research产业资讯,东京大学2020年6月14日公布,研发了可以提高深度学习速度,集成了氧化物半导体IGZO和非挥发性存储半导体的三维集成元件。


据东京大学表示,深度学习的推论系统,需要一定程度(甚至更多)的计算能力。使用了大量数据的深度学习由多层神经网络构成,处理器与存储半导体之间的大量数据移动是影响性能发挥的重大瓶颈。为解决这一问题,内存内计算(In Memory Computing,使存储半导体本身具有运算功能)虽然颇受关注,在传统的二维结构的存储半导体的排列方式下,随着网络模式(Network Model)的大型化发展,出现了排线较长、计算延迟、功耗增大的问题,由于可同时存取(Access)的存储半导体的量是被限制的,因此也存在并行处理受限的问题。


东京大学研发了可以加快深度学习的三维集成元件—集成氧化物半导体IGZO与非挥发性存储半导体

此次,为了获得三维神经网络(Neural Net,立体堆叠了能够解决上述问题的存储半导体),东京大学研发了集成极薄氧化物半导体IGZO(由In-Ga-Zn-O四种元素构成的氧化物半导体)晶体管(IGZO晶体管)和阻变式非挥发型存储器(RRAM)的三维集成元件。


此次研发的集成元件由RRAMIGZO晶体管存储单元的阵列构成。各层的IGZO晶体管有足够大的电流驱动、且非挥发性存储半导体的特性以及信赖性几乎相同,因此几乎没有积层工艺的劣化现象。因此,有可能支持进一步积层化的网络模式(Network Model)。


就此款元件的内存内计算(In Memory Computing)而言,东京大学还验证了作为神经网络(Neural Net)的XNOR的运算。由于不产生稳定电流,因此可以以原来1/10(甚至更低)的功耗进行运算。


东京大学研发了可以加快深度学习的三维集成元件—集成氧化物半导体IGZO与非挥发性存储半导体

在低于400度(400度是适用于普通集成线路的排线层工艺的最高温度)的工艺条件下,使用氧化物半导体IGZO进行了此次研发;东京大学正在研发的二维层状物质的迁移率是IGZO的数倍甚至数十倍。如果此项二维层状物质在400度以下的温度下可以成膜,东京大学正在推进研发运用此次研发的结构(Architecture)可以获得更高效的内存内计算(In Memory Computing)。

猜您可能喜欢 / JDCP More