国家纳米科学中心王振兴研究员团队Nature Communications|栅注入模式二维浮栅存储器实现8位多态存储

主要观点总结

研究团队提出了一种基于栅注入模式的二维浮栅存储器作为大规模神经网络加速器的候选方案。该方案采用共面器件结构设计和双脉冲状态编程策略，实现了8位状态间隔大于三倍标准差，稳定性超过10,000秒，循环寿命超过10^5次。实验图像卷积验证了其在实际应用中的可行性。该研究成果对于高效神经形态计算硬件的发展具有重要意义。

关键观点总结

关键观点1: 研究背景

传统冯·诺依曼架构在数据储存和逻辑单元间移动数据导致效率受限。神经网络在边缘设备上实现时，需要在有限数值精度下训练和推理。

关键观点2: 研究核心

国家纳米科学与技术研究中心王振兴研究员团队提出了一种基于栅注入模式的二维浮栅存储器方案，通过共面器件结构设计和双脉冲状态编程策略解决了一系列问题。

关键观点3: 创新点

共面器件结构设计将控制栅、浮栅和通道解耦，使电荷可以通过共享隧穿层从控制栅注入和擦除。双脉冲状态编程策略通过正负电压脉冲提高存储状态的稳定性。实验实现了8位状态，进行了图像卷积实验验证。

关键观点4: 研究成果

该方案实现了256个可区分的导电状态，相当于8位精度。图像卷积实验验证了该阵列在实际应用中的可行性。神经网络精度验证表明，8位精度的网络在识别准确率上接近无限制精度结果。

关键观点5: 论文信息

该论文由Cai, Y.等人发表，论文信息详实。

文章预览

点击蓝字   关注我们 为了方便各位同学交流学习，解决讨论问题，我们建立了一些微信群，作为互助交流的平台。 加微信交流群方式: 1.添加编辑微信:13162018291； 2.告知:姓名-课题组-研究方向，由编辑审核后邀请至对应交流群(生长，物性，器件)； 欢迎投稿欢迎课题组投递中文宣传稿，免费宣传成果，发布招聘广告，具体联系人：13162018291（微信同号） 人工智能的快速发展对高效能的神经形态计算硬件提出了迫切需求。传统冯·诺依曼架构因数据在存储和逻辑单元间频繁移动，导致系统效率受限。神经网络在边缘设备上实现时，需在有限数值精度下训练和推理。研究表明，8到24位精度的深度神经网络与高精度网络相比，几乎不会出现准确率下降，而过低精度（如低于8位）可能导致性能下降。非易失性存储器如浮栅存储器（FGMs）、阻变存储器等， ………………………………