Une mémoire qui combine les fonctions des memristors et des condensateurs ferroélectriques pour l'apprentissage et l'inférence
Développer des systèmes d’intelligence artificielle capables nécessite à la fois une inférence et un apprentissage économes en énergie. Cependant, la technologie de mémoire actuelle ne peut pas fournir la combinaison nécessaire de haute endurance, faible énergie de programmation et processus de lecture non destructifs. Les auteurs et acteurs du projet BEP du PEPR Electronique, Elisa Vianello et Damien Querlioz présentent dans cet article https://www.nature.com/articles/s41928-025-01454-7 une technologie mémoire qui combine les fonctions des memristors et des condensateurs ferroélectriques dans un seul empilement. (Notons que les memristors sont idéaux pour l’inférence, mais leur endurance est limitée et leur énergie de programmation élevée ; les condensateurs ferroélectriques sont idéaux pour l’apprentissage, mais leur processus de lecture destructif les rend inadaptés à l’inférence).
Cette mémoire utilise une couche d’oxyde d’hafnium dopé silicium et une couche de titane intégrées après la réalisation des transistors CMOS classiques. Avec cette approche, une matrice hybride de 18 432 dispositifs (composé de 16 384 condensateurs ferroélectriques et de 2 048 memristors) a été réalisée. Chaque poids est associé à une valeur analogique stockée sous forme de niveaux de conductance dans les memristors et à une valeur cachée de haute précision stockée sous forme d’entier dans les condensateurs ferroélectriques. Les transferts de poids entre les différentes technologies de mémoire s’effectuent sans convertisseur numérique-analogique. La matrice est utilisée pour valider une solution d’apprentissage sur puce qui offre des performances comparables à celles des modèles logiciels à précision flottante.
Crédit photo : Communication du CEA Leti