基于非易失性存储器的神经形态计算寿命可靠性研究

目录

1. 引言

基于非易失性存储器（NVM）的神经形态计算代表了机器学习硬件的范式转变，为基于脉冲的计算提供了显著的性能和能效提升。然而，操作相变存储器（PCM）等NVM所需的高电压会加速CMOS神经元电路的老化，威胁神经形态硬件的长期可靠性。

本工作解决了神经形态系统中寿命可靠性的关键挑战，重点关注负偏压温度不稳定性（NBTI）和时间相关介电击穿（TDDB）等失效机制。我们展示了系统级设计决策，特别是周期性恢复技术，如何在先进的机器学习应用中创建重要的可靠性与性能权衡。

2. 交叉阵列可靠性建模

2.1 神经形态计算中的NBTI问题

负偏压温度不稳定性（NBTI）发生在神经元电路中CMOS器件栅极下方的氧化物-半导体界面处捕获正电荷时。这种现象表现为漏极电流和跨导降低，以及关断电流和阈值电压增加。

CMOS器件因NBTI导致的寿命使用平均失效前时间（MTTF）量化：

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

其中$A$和$\gamma$是与材料相关的常数，$E_a$是激活能，$K$是玻尔兹曼常数，$T$是温度，$V$是过驱动栅极电压。

2.2 TDDB失效机制

时间相关介电击穿（TDDB）是另一个关键可靠性问题，即栅极氧化物因电应力随时间推移而击穿。在神经形态交叉阵列中，NVM操作所需的高电场会加速TDDB。

TDDB寿命模型如下：

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

其中$\tau_0$是材料常数，$G$是场加速参数，$E_{ox}$是穿过氧化物的电场。

2.3 综合可靠性模型

神经形态硬件的整体可靠性同时考虑NBTI和TDDB失效机制。综合失效率如下：

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

3. 实验方法

我们的实验框架使用改进的DYNAP-SE神经形态架构和基于PCM的突触交叉阵列来评估寿命可靠性。我们实现了多个机器学习基准测试，包括MNIST数字分类和语音数字识别，以评估实际工作负载下的可靠性影响。

实验设置包括：

• 神经元电路采用28nm CMOS技术节点
• PCM突触器件，读取电压为1.8V
• 温度监测范围从25°C到85°C
• 具有可变占空比的应力-恢复循环

4. 结果与分析

4.1 可靠性与性能权衡

我们的结果展示了系统可靠性与计算性能之间的基本权衡。高压连续运行可提供最大吞吐量，但严重损害寿命可靠性。引入周期性恢复周期可显著提高MTTF，同时保持可接受的性能水平。

4.2 周期性恢复的影响

实施占空比为30%的启停计算方法，与连续运行相比，MTTF提高了3.2倍，而MNIST任务的分类准确率仅降低15%。这种方法有效地平衡了可靠性问题与计算需求。

5. 技术实现

5.1 数学公式

可靠性感知调度算法优化了计算吞吐量与电路老化之间的权衡。优化问题可表述为：

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

$subject \ to: \quad D \in [0,1]$

其中$D$是占空比，$\alpha$和$\beta$是性能和可靠性目标的权重因子。

5.2 代码实现

以下是可靠性感知调度器的简化伪代码实现：

class ReliabilityAwareScheduler:
    def __init__(self, max_voltage=1.8, min_voltage=1.2):
        self.max_v = max_voltage
        self.min_v = min_voltage
        self.stress_time = 0
        
    def schedule_operation(self, computation_task, reliability_target):
        """在可靠性约束下调度计算"""
        
        # 基于可靠性目标计算最优占空比
        duty_cycle = self.calculate_optimal_duty_cycle(reliability_target)
        
        # 执行启停计算
        while computation_task.has_work():
            # 高压计算阶段
            self.apply_voltage(self.max_v)
            computation_time = duty_cycle * self.time_quantum
            self.execute_computation(computation_task, computation_time)
            self.stress_time += computation_time
            
            # 低压恢复阶段
            self.apply_voltage(self.min_v)
            recovery_time = (1 - duty_cycle) * self.time_quantum
            time.sleep(recovery_time)
            
    def calculate_optimal_duty_cycle(self, reliability_target):
        """计算满足可靠性要求的占空比"""
        # 优化算法的实现
        # 考虑NBTI和TDDB模型
        return optimized_duty_cycle

6. 未来应用与方向

可靠性感知的神经形态计算方法对边缘AI系统、自动驾驶汽车和物联网设备具有重要意义，这些应用对长期运行可靠性要求极高。未来的研究方向包括：

• 自适应可靠性管理：基于实时老化监测动态调整操作参数
• 多尺度建模：器件级可靠性模型与系统级性能优化的集成
• 新兴NVM技术：探索新型存储器技术（如ReRAM和MRAM）的可靠性特性
• 基于机器学习的可靠性：使用AI技术预测和缓解老化效应

随着神经形态计算在安全关键应用中的广泛采用，可靠性感知设计方法将变得越来越重要。将这些技术与新兴计算范式（如内存计算和近似计算）相结合，为未来研究提供了令人兴奋的机会。

7. 参考文献

1. M. Davies等人，“Loihi：一种具有片上学习功能的神经形态多核处理器”，IEEE Micro，2018
2. P. A. Merolla等人，“具有可扩展通信网络和接口的百万脉冲神经元集成电路”，Science，2014
3. S. K. Esser等人，“用于快速、高能效神经形态计算的卷积网络”，PNAS，2016
4. G. W. Burr等人，“使用非易失性存储器的神经形态计算”，Advances in Physics: X，2017
5. J. Zhu等人，“神经形态计算系统的可靠性评估与建模”，IEEE Transactions on Computers，2020
6. 国际半导体技术路线图（ITRS），“新兴研究器件”，2015
7. Y. LeCun, Y. Bengio和G. Hinton，“深度学习”，Nature，2015