Work

Data Retention Enhancement of Non-Filamentary RRAM Synapse Arrays for Neuromorphic Systems

Year: 2024
Type: dissertation
Abstract: 최근 기계 학습 알고리즘의 발전으로 인해 인공 지능(AI)이 급속한 발전을 이루었다. 인간 두뇌의 작동을 모방한 인공 신경망(ANNs)은 AI 학습 및 추론을 위한 대규모 데이터 처리를 가능하게 하였다. 특히 이미지 인식, 음성 분류를 포함한 여러 분야에서 AI는 인간보다 뛰어난 능력을 보이고 있다. 그러나 폰 노이만 아키텍처를 기반으로 한 기존의 컴퓨팅 시스템은 프로세서와 메모리 간의 직렬 처리 메커니즘으로 인해 대량의 데이터를 처리하는 데 적합하지 않다. 따라서 하드웨어 기반의 AI 구현을 위해 새로운 디바이스와 칩 아키텍처를 포함한 뉴로모픽 시스템의 개발이 필요하다. \n뉴로모픽 시스템은 뉴런과 시냅스 간의 대규모 상호 연결로 병렬 컴퓨팅과 저전력 소비를 가능하게 한다. 특히 시냅스 디바이스는 신호 전송을 제어하고 가중치 정보를 저장하는 역할을 수행하므로 중점적으로 연구되고 있다. 그 중에서도 Resistive-switching random access memory (RRAM)은 상단 전극(TE), 저항 변화 층(RSL), 및 하부 전극(BE)의 간단한 2단 구조로 구성되어 있으므로 0T-1R 구조를 가진 cross-point 어레이구조를 통해 4F2의 작은 feature size를 구현할 수 있다. 최근 RRAM에 대한 시냅스 디바이스로서의 연구는 oxygen vacancy 기반 filamentary RRAM에 집중되어왔다. 하지만 filamentary RRAM의 경우 소자의 크기가 작아짐에 따라 filament 형성에 필요한 forming voltage가 증가한다는 단점이 있다. 또한 filament의 전도도는 소자의 크기와 무관하므로, RRAM array의 집적도가 높을수록 고전력 소모를 유발한다. 본 논문에서는 산화티타늄(TiOx) RSL과 TE의 티타늄 접착층 사이에 HfO2를 삽입하여 filament의 형성을 억제하는 방식으로 non-filamentary RRAM을 제작하였다. 하프늄은 산소와 높은 결합 에너지를 가지고 있으므로, 티타늄 접착층의 산소 스캐빈징으로 인한 필라멘트의 형성을 막아준다. 유전율 또한 Al2O3 삽입을 통해 조절하여 switching 전압 범위를 0.6 V에서 1.4 V로 확장시켰다. 또한 다양한 크기의 디바이스에서의 전류 밀도를 측정하여 RSL의 전도도가 디바이스의 크기에 비례하여 낮아졌음을 확인하였다. \n그러나 non-filamentary RRAM에는 안정한 conductive path가 없으므로, RSL 내 모든 oxygen vacancy의 변화가 전도도에 영향을 준다. 따라서 데이터 보존 특성이 열화되기 쉽다. 본 논문에서는 데이터 보존능력을 향상시키기 위해 oxygen vacancy unbalancing (OVU) 및 forming gas annealing (FGA) 방법을 제안하였다. OVU의 목표는 스위칭 과정에서 RSL 상단으로 이동한 oxygen ion과 oxygen vacancy 간의 물리적 거리를 증가시키는 것이다. 이를 위해 RSL 밑부분에는 증착 과정에서 산소 공급을 제어해 oxygen vacancy가 많이 분포하도록 하고, RSL 윗부분의 vacancy들은 증착 직후에 산화공정을 통해 제거하여 수직방향의 vacancy 분포가 불균형하도록 공정하였다. 이 때 조절된 oxygen vacancy의 위치에 따라 데이터 보존특성이 개선된 시간범위가 달라지는 것을 고온 측정을 통해 확인하였다. FGA의 목표는 vacancy에 hydrogen을 결합하여 oxygen ion과의 재결합을 방해하는 것이다. FGA의 온도 및 hydrogen 압력 조건은 데이터 보존 특성을 향상시키면서도 forming-less 특성을 잃지 않도록 최적화되었다. OVU와 FGA의 동작 매커니즘을 분석하기 위해 고온 측정을 통해 데이터 보존 특성 열화에 대한 활성화 에너지를 추출하였다. 측정된 활성화 에너지는 화학적으로 oxygen vacancy가 재결합에 참여하지 못하도록 변형시키는 FGA에 의해서만 증가되었으며, 단순히 물리적인 거리만 증가시키는 OVU에 의해서는 변화가 없었다. 그러나 스위칭 과정에서의 과도하게 생성된 oxygen vacancy들은 FGA의 영향을 받지 않으므로, 저항상태가 크게 낮은 소자에서는 활성화 에너지가 낮게 측정되었다. 따라서 FGA를 적용한 소자의 전도도는 80 nS 이하로 제한하였다. \nNon-filamenaty RRAM 어레이의 성능은 784 × 400 × 20 × 10 스파이킹 뉴럴 네트워크 (SNN)에서 두 번째 hidden layer와 출력층 간의 추론 프로세스를 통해 평가되었다. MNIST 데이터셋을 사용하여 Python 시뮬레이션으로 시냅스의 가중치와 두 번째 은닉층으로의 입력 신호를 추출하였고, 제작된 어레이에 적용하여 추론 과정을 구현하였다. 하드웨어 시냅스에서 측정된 인식 정확도는 92.95%로, non-filamentary RRAM 어레이에 전사된 가중치를 이용한 SNN 시뮬레이션에서 얻은 인식 정확도인 93.2 %에 근접한 값을 얻을 수 있었다.
Author: 홍경호
Language: English
Open Access status: green
OpenAlex ID: W7027723555
Cites: 65
Cited by:
Related to: 10