Hardwarebasiertes On-Chip-Lernen mit einem ferroelektrischen AND-Typ-Array mit zufälligen synaptischen Gewichten

Die zunehmende Komplexität im maschinellen Lernen hat zu einem raschen Anstieg der Modellparameter geführt, was zu einem erheblichen Energieverbrauch bei groß angelegten Berechnungen führt. Neuromorphes Computing ermöglicht effiziente In-Memory-Verarbeitung durch Verringerung der Datenbewegung mittels Vektor-Matrix-Multiplikation. In dieser Studie schlagen wir ein neuartiges On-Chip-Lernverfahren für ferroelektrische AND-Typ-Arrays vor, indem separate synaptische String-Arrays für die Vorwärts- und Rückwärtsausbreitung verwendet werden. Ein auf HZO basierendes FeAND-Array wird hergestellt, und selektives Programmieren, mehrstufige Leitfähigkeitseinstellung sowie Vektor-Matrix-Multiplikation für neuromorphe Anwendungen werden experimentell im HZO-basierten FeAND-Array demonstriert. Um effizientes On-Chip-Lernen zu ermöglichen, wird ein Feedback-Alignment-Algorithmus eingesetzt, der die Notwendigkeit der Gewichtstransposition eliminiert und die Komplexität der Peripherieschaltung sowie den Energieverbrauch erheblich reduziert. Abschließend wird die Wettbewerbsfähigkeit der vorgeschlagenen On-Chip-Lernmethode durch hardwarebewusste On-Chip-Lernsimulationen, welche die Geräteeigenschaften reflektieren, verifiziert.