| 8112021 |
破解模型工具箱预测新类型内存流 |
| 高山市Nanoverk焦点阻动式内存(RSM)是下一代内存和计算设备的新候选程序,如存储类内存设备、多级内存和神经态计算突触 |
| RSM设备因其简单金属制造机机结构而引起极大关注,MIM结构组成介电材料,由顶电极和底电极混合组成 |
| RSM操作基于阻抗切换过程,如果设备切换从高抗状态转低阻状态转转再置进程,如果设备切换从LRS转HS转复位进程 |
| 这一过程取决于单极和双极开关模式应用电压的放大度和极度应用TE和BE电路生成纳米传导分解集过程和重置过程分解CF |
| RSM设备中CF生成通常基于电化学解析效果、值交换内存效果、热化学内存效果和其他效果液基RSM设备显示双极切换CF受VCM效果约束,CF由氮空置组成 |
| 传统物理模型基于CF生长通常用于建模RSM设备特征常规物理模型考虑各种假设,如CF形状、生长方向和温度分布描述RSM设备交换行为 |
| 然而,假设还可能导致不可靠、不准确和以装置为中心模型描述切换行为因此,使用新方法精确建模切换行为 |
| 在本报告中(AIP预付,模拟电传存储器 通过机器学习表示替代ML方法,即避免需要直接学习其他参数之间的关系解决传统物理方程问题,计算CF相关当前值,即我们建立ML-CO模型 |
 |
| 模型概述预测新类型内存流图片:SUTD)(点击图像放大) |
| 显示此关系可以通过数据驱动方法学习,并极精度供多样样本描述CF生长并显示它可立即应用到实机采样中,计算RSM设备CC值时只使用几个设备参数 |
| 并验证SiOx和TiO2设备开发ML模型后, |
| 这项工作取得了三大成果: |
| 值得注意的是,我们通过数据驱动方法直接学习CC和其他设计参数关系并高精度各类设备,从而回避精度问题ML首次展示RSM设备CF生长行为模型使用通用机器学习算法,例如神经网络多层摄取算法和靴式隔离随机森林算法ML-CO模型使用平均方差值评价,比较分析显示RF算法比MLP算法提高CF生长建模RF算法MSE值++++14, 约小量级小于0.0142基模MSE基准 |
| 应用ML算法学习其他参数值之间的关系计算CC值,建议ML-CO模型允许精确预测CF增长描述切换行为数据驱动ML方法也可以在范围更广的RSM设备上实施和操作 |
| 此外,用AI-Engine插件动态实现适当的CC值可以为编程内存应用铺路,例如模拟计算这项工作对研究界有极大兴趣,包括材料科学家、电子工程师、设备制造商和计算机设计师,作为发现新RSM材料和快速筛选适合RSM的纳米材料的工具,可驱动RSM商业化 |
| 源码:新加坡理工大学提供纳默尔克独家 |
|
|
