Computação Neuromórfica com Consciência de Confiabilidade ao Longo da Vida Utilizando Memória Não Volátil

Índice

1. Introdução

A computação neuromórfica com memória não volátil (NVM) representa uma mudança de paradigma no hardware de aprendizagem automática, oferecendo melhorias significativas no desempenho e eficiência energética para computações baseadas em pulsos. No entanto, as altas tensões necessárias para operar NVMs como memória de mudança de fase (PCM) aceleram o envelhecimento nos circuitos de neurónios CMOS, ameaçando a confiabilidade a longo prazo do hardware neuromórfico.

Este trabalho aborda o desafio crítico da confiabilidade ao longo da vida útil em sistemas neuromórficos, focando em mecanismos de falha como a instabilidade de temperatura por polarização negativa (NBTI) e a ruptura dielétrica dependente do tempo (TDDB). Demonstramos como decisões de projeto a nível de sistema, particularmente técnicas de relaxamento periódico, podem criar importantes compensações entre confiabilidade e desempenho em aplicações modernas de aprendizagem automática.

2. Modelagem da Confiabilidade de Crossbars

2.1 Problemas de NBTI na Computação Neuromórfica

A Instabilidade de Temperatura por Polarização Negativa (NBTI) ocorre quando cargas positivas ficam presas na fronteira óxido-semicondutor sob a porta dos dispositivos CMOS em circuitos de neurónios. Este fenômeno manifesta-se como diminuição da corrente de dreno e transcondutância, juntamente com aumento da corrente de desligamento e tensão de limiar.

A vida útil de um dispositivo CMOS devido ao NBTI é quantificada usando o Tempo Médio até Falha (MTTF):

$MTTF_{NBTI} = A \cdot V^{\gamma} \cdot e^{\frac{E_a}{KT}}$

Onde $A$ e $\gamma$ são constantes relacionadas ao material, $E_a$ é a energia de ativação, $K$ é a constante de Boltzmann, $T$ é a temperatura e $V$ é a tensão de porta de overdrive.

2.2 Mecanismos de Falha TDDB

A Ruptura Dielétrica Dependente do Tempo (TDDB) representa outra preocupação crítica de confiabilidade onde o óxido da porta se rompe ao longo do tempo devido ao estresse elétrico. Em crossbars neuromórficos, a TDDB é acelerada pelos altos campos elétricos necessários para a operação de NVM.

O modelo de vida útil da TDDB segue:

$MTTF_{TDDB} = \tau_0 \cdot e^{\frac{G}{E_{ox}}}$

Onde $\tau_0$ é uma constante do material, $G$ é o parâmetro de aceleração de campo e $E_{ox}$ é o campo elétrico através do óxido.

2.3 Modelo de Confiabilidade Combinado

A confiabilidade geral do hardware neuromórfico considera ambos os mecanismos de falha NBTI e TDDB. A taxa de falha combinada segue:

$\lambda_{total} = \lambda_{NBTI} + \lambda_{TDDB} = \frac{1}{MTTF_{NBTI}} + \frac{1}{MTTF_{TDDB}}$

3. Metodologia Experimental

O nosso quadro experimental avalia a confiabilidade ao longo da vida útil usando uma arquitetura neuromórfica DYNAP-SE modificada com crossbars sinápticos baseados em PCM. Implementámos vários benchmarks de aprendizagem automática, incluindo classificação de dígitos MNIST e reconhecimento de dígitos falados, para avaliar os impactos na confiabilidade sob cargas de trabalho realistas.

A configuração experimental inclui:

• Nó de tecnologia CMOS de 28nm para circuitos de neurónios
• Dispositivos sinápticos PCM com tensão de leitura de 1.8V
• Monitorização de temperatura de 25°C a 85°C
• Ciclagem de stress-recuperação com ciclos de trabalho variáveis

4. Resultados e Análise

4.1 Compensação Confiabilidade-Desempenho

Os nossos resultados demonstram uma compensação fundamental entre a confiabilidade do sistema e o desempenho computacional. A operação contínua em altas tensões fornece o máximo de throughput, mas compromete severamente a confiabilidade ao longo da vida útil. A introdução de períodos de relaxamento periódico melhora significativamente o MTTF enquanto mantém níveis de desempenho aceitáveis.

4.2 Impacto do Relaxamento Periódico

A implementação de uma abordagem de computação stop-and-go com ciclo de trabalho de 30% demonstrou uma melhoria de 3.2x no MTTF em comparação com a operação contínua, com apenas 15% de redução na precisão de classificação para tarefas MNIST. Esta abordagem equilibra efetivamente as preocupações de confiabilidade com os requisitos computacionais.

5. Implementação Técnica

5.1 Formulações Matemáticas

O algoritmo de agendamento com consciência de confiabilidade otimiza a compensação entre o throughput de computação e o envelhecimento do circuito. O problema de otimização pode ser formulado como:

$\max_{D} \quad \alpha \cdot Throughput(D) + \beta \cdot MTTF(D)$

$sujeito \ a: \quad D \in [0,1]$

Onde $D$ é o ciclo de trabalho, $\alpha$ e $\beta$ são fatores de ponderação para os objetivos de desempenho e confiabilidade.

5.2 Implementação de Código

Abaixo está uma implementação simplificada em pseudocódigo do agendador com consciência de confiabilidade:

class AgendadorConfiabilidadeConsciente:
    def __init__(self, tensao_maxima=1.8, tensao_minima=1.2):
        self.tensao_max = tensao_maxima
        self.tensao_min = tensao_minima
        self.tempo_stress = 0
        
    def agendar_operacao(self, tarefa_computacao, alvo_confiabilidade):
        """Agendar computação com restrições de confiabilidade"""
        
        # Calcular ciclo de trabalho ótimo baseado no alvo de confiabilidade
        ciclo_trabalho = self.calcular_ciclo_trabalho_otimo(alvo_confiabilidade)
        
        # Executar computação stop-and-go
        while tarefa_computacao.tem_trabalho():
            # Fase de computação de alta tensão
            self.aplicar_tensao(self.tensao_max)
            tempo_computacao = ciclo_trabalho * self.quantum_tempo
            self.executar_computacao(tarefa_computacao, tempo_computacao)
            self.tempo_stress += tempo_computacao
            
            # Fase de recuperação de baixa tensão
            self.aplicar_tensao(self.tensao_min)
            tempo_recuperacao = (1 - ciclo_trabalho) * self.quantum_tempo
            time.sleep(tempo_recuperacao)
            
    def calcular_ciclo_trabalho_otimo(self, alvo_confiabilidade):
        """Calcular ciclo de trabalho para atender requisitos de confiabilidade"""
        # Implementação do algoritmo de otimização
        # considerando modelos NBTI e TDDB
        return ciclo_trabalho_otimizado

6. Aplicações e Direções Futuras

A abordagem de computação neuromórfica com consciência de confiabilidade tem implicações significativas para sistemas de IA de edge, veículos autónomos e dispositivos IoT onde a confiabilidade operacional a longo prazo é crítica. As direções futuras de pesquisa incluem:

• Gestão Adaptativa de Confiabilidade: Ajuste dinâmico dos parâmetros operacionais baseado na monitorização em tempo real do envelhecimento
• Modelagem Multi-escala: Integração de modelos de confiabilidade a nível de dispositivo com otimização de desempenho a nível de sistema
• Tecnologias NVM Emergentes: Exploração das características de confiabilidade em novas tecnologias de memória como ReRAM e MRAM
• Aprendizagem Automática para Confiabilidade: Usar técnicas de IA para prever e mitigar efeitos de envelhecimento

À medida que a computação neuromórfica avança para uma adoção mais ampla em aplicações críticas para a segurança, as metodologias de projeto com consciência de confiabilidade tornar-se-ão cada vez mais essenciais. A integração destas técnicas com paradigmas de computação emergentes como computação em memória e computação aproximada apresenta oportunidades emocionantes para pesquisas futuras.

7. Referências

1. M. Davies et al., "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning," IEEE Micro, 2018
2. P. A. Merolla et al., "A million spiking-neuron integrated circuit with a scalable communication network and interface," Science, 2014
3. S. K. Esser et al., "Convolutional networks for fast, energy-efficient neuromorphic computing," PNAS, 2016
4. G. W. Burr et al., "Neuromorphic computing using non-volatile memory," Advances in Physics: X, 2017
5. J. Zhu et al., "Reliability Evaluation and Modeling of Neuromorphic Computing Systems," IEEE Transactions on Computers, 2020
6. International Technology Roadmap for Semiconductors (ITRS), "Emerging Research Devices," 2015
7. Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, 2015