2020 Fiscal Year Annual Research Report
ハードソフト連携・精緻な電子制御による不揮発性メモリシステムのエラー最小化の研究
| Project/Area Number |
20H04159
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
竹内 健 東京大学, 大学院工学系研究科(工学部), 教授 (80463892)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Keywords | 不揮発性メモリ / 機械学習 / AI |
|---|
| Outline of Annual Research Achievements |
本研究では、ナノスケールの大容量不揮発性メモリに対し、隣接メモリ間の電子の移動・電荷蓄積層からチャネルへの電子のリーク・メモリサイズの製造ばらつきなど、不揮発性メモリの本質的な課題であるメモリのエラーを、機械学習や新コーディングを用いた精緻な制御で抑制する。メモリデバイス・メモリコントローラのハード・ソフト全体を不揮発性メモリに向けて連携・融合させることで、メモリのエラーを極限まで減らし、データ保持等の寿命を最大限に高める。機械学習による制御を更に発展させ、不揮発性メモリをフルに活用した高速・低電力・高信頼な機械学習の処理・記憶システムを創造する。本年度は電荷がリークするメモリをニューラルネットワークのニューロンに活用できることを提案。メモリのチャネル長、チャネル幅、ゲート酸化膜の厚さをデザインすることで、ナノスケールのメモリが示す量子力学的な統計的な挙動を考慮することで、リーク電流を制御できることを示した。研究成果を6th Electron Devices Technology and Manufacturing Conference (EDTM 2022)で発表し、Best Paper Awardを受賞した。研究成果を査読付きのIEEE主催の国際会議で3件、国内学会で１件の論文発表を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初の想定に反し、ナノスケールメモリが示す量子力学的な統計的な挙動の制御により、近年市場の成長が著しいニューラルネットワーク、AIの応用にナノスケールメモリが活用できることが判明した。このような当初の予定にない新たな知見を活用することで、研究を加速することに成功し、当初予定した内容も十分な成果を挙げつつ、全体としては当初の想定以上の成果を出している。
|
| Strategy for Future Research Activity |
ナノスケールメモリの量子力学的な統計的な挙動をより一層活用し、不揮発性メモリをフルに活用した高速・低電力・高信頼な機械学習の処理・記憶システムを創造することに貢献する。特にSpiking Neural Networkや量子誤り訂正など今後重要となる新コンピューティングに着目し、ナノスケールメモリを活用したインメモリ・コンピューティングを探求する。
|
