28 nm FD-SOI embedded phase change memory exhibiting near-zero drift at 12 K for cryogenic spiking neural networks (SNNs)
Notice bibliographique
Résumé
Abstract Seeking to circumvent the bottleneck of conventional computing systems, alternative methods of hardware implementation, whether based on brain-inspired architectures or cryogenic quantum computing systems, invariably suggest the integration of emerging non-volatile memories. However, the lack of maturity, reliability, and cryogenic-compatible memories poses a barrier to the development of such scalable alternative computing solutions. To bridge this gap and outperform traditional CMOS charge-based memories in terms of density and storage, 28 nm Fully Depleted Silicon on Insulator (FD-SOI) substrate-embedded GexSbyTez phase change memories (ePCMs) are characterized down to 12 K. The multi-level resistance programming and its drift over time are investigated. The ePCM can be programmed to achieve and encode 10 different resistance states, at 300 K, 77 K, and 12 K. Interestingly, the drift coefficient is considerably reduced at cryogenic temperatures. Cycle-to-cycle programming variability and resistance drift modelling are carefully used to forecast and evaluate the effect of resistance evolution over time on a fully connected feedforward spiking neural network (SNN) at different temperatures. System-level simulation of a Modified National Institute of Standards and Technology database (MNIST) classification task is performed. The SNN classification accuracy is sustained for up to two years at 77 K and 12 K while a 7–8% drop in accuracy is observed at 300 K. Such results open new horizons for the analogue/multilevel implementation of ePCMs for space and cryogenic applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».