Logotipo do Site Inovação Tecnológica





Eletrônica

RRAMs, as memórias que fazem cálculos, mais próximas de mudar a computação

Redação do Site Inovação Tecnológica - 28/10/2024

RRAMs, as memórias que fazem cálculos, mais próximas da utilização prática
Além do elevado desempenho e baixo consumo, já conhecidos dos memoristores, agora a inovação coloca tudo mais próximo da fabricação industrial.
[Imagem: Sungjun Kim/Dongguk University]

Computação quase cerebral

Os memoristores, componentes eletrônicos com memória, que permitem simultaneamente guardar e processar dados, têm feito demonstrações categóricas de capacidade e eficiência em laboratório, permitindo criar diversos protótipos de computação neuromórfica, computação na memória e inteligência artificial em hardware, incluindo redes neurais físicas.

Mas não tem sido fácil passar dos laboratórios para a fabricação em escala industrial. É o caso das memórias de acesso aleatório resistivas (RRAM), que são um tipo de componente memorresistivo, ou seja, que tem a capacidade de se lembrar do dado que passou por ela anteriormente.

Nas RRAMs, esse efeito de memória surge da formação e dissolução de um filamento condutor na camada isolante de uma estrutura metal-isolante-metal. Assim, os isolantes de óxido metálico desempenham um papel essencial, e as RRAMs baseadas em óxido de titânio em particular têm apresentado uma série de vantagens. Contudo, ao tentar fabricar essas células de memória em escala industrial, há uma variabilidade muito grande de componente para componente devido à dificuldade de fabricar os cruciais filamentos condutores.

Agora, Sungjoon Kim e colegas da Universidade Dongguk, na Coreia do Sul, desenvolveram um componente memoristor que resolve esse problema, abrindo caminho para que todas aquelas promessas de juntar processador e memória tornem-se realidade - em escala industrial.

RRAMs, as memórias que fazem cálculos, mais próximas da utilização prática
Os benefícios alcançam a computação neuromórfica, computação na memória e as redes neurais físicas, a inteligência artificial em hardware.
[Imagem: Sungjoon Kim et al. - 10.1021/acsnano.4c06942]

Rede neural em hardware

O memoristor inovador tem uma camada de óxido de alumínio e óxido de titânio (AlOx/TiOy) sobre a camada isolante. Essa camada atua como um resistor interno, prevenindo as chamadas correntes de sobrecarga, que são correntes elétricas transitórias que geram variações em relação ao valor nominal esperado no filamento condutor.

A camada AlOx/TiOy evita essas correntes indesejadas ao controlar a espessura do filamento condutor formado durante o chaveamento - uma camada de TiOy de 10 nanômetros apresentou o melhor resultado.

Por meio de uma série de experimentos, os pesquisadores demonstraram as características de comutação consistentes do componente, que apresentou operação multinível confiável com baixo consumo de energia. As demonstrações envolveram memoristores de dois terminais, em uma matriz de 32 x 32 células, executando multiplicações vetor-matriz, o núcleo da computação de inteligência artificial.

Na verdade, a matriz 32 x 32 é uma rede neural em hardware, que alcançou um aprendizado com precisão de 96,89% e efetuou tarefas de classificação de imagens com 92,36% de precisão. Essa arquitetura, chamada rede neural de pico, imita os processos de computação do cérebro - os picos de disparo dos neurônios - e é conhecida por seu baixo consumo de energia.

"Matrizes de memoristores serão essenciais em arquiteturas de computação de próxima geração devido à sua velocidade, eficiência e escalabilidade," disse o professor Kim. "Além da computação neuromórfica, elas têm uma ampla gama de aplicações potenciais, incluindo memória não volátil, IoT, aprendizado de máquina e criptografia. Além disso, unidades de processamento neural, especializadas para operações de IA, exigem chips de memória adaptados para operações de multiplicação de matrizes, como a matriz de memoristor de alto rendimento desenvolvida neste estudo."

Bibliografia:

Artigo: Memristive Architectures Exploiting Self-Compliance Multilevel Implementation on 1kb Crossbar Arrays for Online and Offline Learning Neuromorphic Applications
Autores: Sungjoon Kim, Hyeonseung Ji, Kyungchul Park, Hyojin So, Hyungjin Kim, Sungjun Kim, Woo Young Choi
Revista: ACS Nano
DOI: 10.1021/acsnano.4c06942
Seguir Site Inovação Tecnológica no Google Notícias





Outras notícias sobre:
  • Microeletrônica
  • Transistores
  • Processadores
  • Computadores

Mais tópicos