ReRAM-based Neuromorphic Hardware for Inference and Learning

Abstract

최신의 패턴인식용 하드웨어에서 처리해야 할 데이터 양과, 이를 저장해야하는 메모리 규모가 증가함에 따라 저전력, 고집적도의 특징을 갖는 하드웨어 시스템을 필요로 한다. 인공신경망 구조를 하드웨어로 구현하는 뉴로모픽 시스템은 저전력, 고집적도에 유리하기 때문에, 패턴인식을 위한 차세대 시스템으로 주목 받고 있다. 본 연구는 뉴로모픽 하드웨어 에서 가장 중요한 연산인 VMM (vector-matrix multiplication)을 효율적으로 수행하기 위한 ReRAM 소자를 이용해 추론과 학습을 가능케하는 하드웨어 가속기 개발 및 이를 이용한 뉴로모픽 하드웨어 시스템 개발을 목표로 한다.|In this dissertation, we suggest two major hardware techniques for the high- performance ReRAM-based neuromorphic hardware: fast-converging in-situ (FCIS) learning and analog normalization (ALN) technique. The FCIS learning is proposed to alleviate the endurance burden of the ReRAM device by reducing the number of programming iterations, and ALN technique is proposed to mitigate the effect of the device variation, respectively. To evaluate the efficiency of the proposed technique, those techniques are implemented in hardware with uniform and reliable titanium oxide (TiOx) memristor devices, which is fabricated in 25 × 25 device array to represent passive matrix structure. The implemented hardware can perform the VMM computation between multi-signal and trained synaptic weight, and program the conductance of ReRAM device to the target conductance.