電子デバイス：抵抗変化型メモリーに基づくコンピュート・イン・メモリー・チップ
Nature 608, 7923 doi: 10.1038/s41586-022-04992-8
ますます複雑化する人工知能（AI）機能をエッジデバイス上に直接実現するには、かつてないエネルギー効率のエッジハードウェアが必要である。抵抗変化型メモリー（RRAM）に基づくコンピュート・イン・メモリー（CIM）は、AIモデルの重みを高密度アナログ不揮発性RRAMデバイスに記憶し、RRAM内でAI計算を直接行うことによって、分かれた「コンピュート」と「メモリー」の間の電力を大量に消費するデータ移動をなくすため、そうした要求を満たすと期待される。最近の研究によって、完全一体型RRAM-CIMハードウエアでイン・メモリー行列ベクトル乗算が実証されたが、高いエネルギー効率、さまざまなモデルをサポートする汎用性、ソフトウエアに匹敵する精度を同時に実現することが、依然としてRRAM-CIMチップの目標となっている。この技術が幅広く採用されるには、効率、汎用性、精度の全てが不可欠だが、設計の単独の抽象化レベルを個別に改善するのでは、それらの間の相互に関連したトレードオフに対処することはできない。今回我々は、アルゴリズムやアーキテクチャーから回路やデバイスまで全ての階層にわたり設計を共最適化することによって、RRAMを用いたNeuRRAMというCIMチップを提示する。このチップは、さまざまなモデルアーキテクチャー向けにCIMコアを再構成する際の汎用性と、さまざまな計算ビット精度にわたってこれまでの最先端RRAM-CIMより2倍向上したエネルギー効率、MNIST画像分類について99.0％の精度、CIFAR-10画像分類について85.7％の精度、Google音声コマンド認識について84.7％の精度、ベイズ画像回復タスクについて画像再構成誤差の70％低減など、さまざまなAIタスクにおいて4ビットの重みに量子化されたソフトウエアモデルに匹敵する推論精度を、同時に実現する。
