Study of novel devices for crosspoint memory and neuromorphic applications

Nowadays, the amount of digital information is increasing exponentially due to the large diffusion of consumer electronics. All over the world an ever-growing number of people has the possibility to purchase smartphones and tablets able to save a large amount of photo, video, music and applications in a single portable device. This social phenomenon has caused an enormous request of non-volatile memories capable to store a high quantity of data in a very small volume, maintaining the stored information even without voltage supply. In the last ten years the Flash technology has been the leader in the non-volatile memory market, but has now reached the scaling limits and the most important semiconductor companies have to face crucial issues related to atomistic doping and charge trapping. Moreover, the Von Neumann bottleneck leads to require a memory able to reduce latency time during CPU operations, combining the high-performance of SRAM and DRAM and high density of Flash Technology and HDD. To this aim, in the last years both industrial and academic research groups have put their great effort on the design of a revolutionary non-volatile memory architecture with novel materials, increased scaling capability and high-performance in order to replace the Flash memory technology. In July 2015 Intel and Micron has reached this purpose announcing 3D Xpoint non-volatile memory technology, which relies his working principle on a crossbar array architecture, where each memory element has a selector element in series located at the intersection between a row and a column electrode wire. This architecture enables multiple stacking and is able to achieve the minimum size of the device of 4F^2, obtaining scalable bit cost and high density comparable with Flash memory. In this technology the selector element plays a fundamental role with his high non-linear characteristics and high on-off current ratio, allowing to limit sneak path currents during programming operations and maximizing the available array size thanks to a significant reduction of power consumption within the memory architecture. At the same time, alternative in-memory computing approaches are becoming increasingly attractive to develop novel logic and neuromorphic computation in order to overcome Von Neumann bottleneck issues. Indeed typical operations like image learning, pattern recognition and decision exhibit high computational cost for boolean CMOS processors, while, for human brain, they represent elementary processes. In this scenario, the development of new devices designed specifically for neuromorphic computing could enable high density and low power networks in order to properly operate learning and recognition tasks. For this reason, different industrial and academic institutions are looking for promising candidate among the emerging memories that could offer the best properties to mimic synapse behavior in our brain. Nowadays the most developed technologies for both crosspoint memory application and neuromorphic computation are represented by phase change memory (PCM) and metal-oxide resistive switching memory, commonly known as RRAM. In last years these devices have reached mature technology and outstanding feature in terms of fast switching and high endurance for PCM and low power and low-cost fabrication for RRAM, paving the way for future Storage Class Memory (SCM) with huge market opportunities. In addition, intrinsic variability for RRAM and gradual set transition for PCM, which represents constraints on storage memory application, could result in key strength for neuromorphic network synapses. This doctoral dissertation will be focused on Silicon-based selector devices and emerging memories (PCM and RRAM). The work describes working principles, physical understanding and innovative applications in the field of crosspoint memory and neuromorphic computation. The electrical characterization carried out on these different devices has played a fundamental role in this aim, providing the starting point for physical understanding and modeling and paving the way for design and implementation of neuromorphic hardware for pattern learning and recognition.

Oggigiorno, la quantità di informazioni digitali aumenta in modo esponenziale a causa della grande diffusione dell'elettronica di consumo. In tutto il mondo un numero sempre crescente di persone ha ora la possibilità di acquistare smartphone e tablet in grado di salvare una grande quantità di foto, video, musica e applicazioni in un unico dispositivo portatile. Questo fenomeno sociale ha causato un'enorme richiesta di memorie non volatili in grado di memorizzare un'alta quantità di dati in un volume molto piccolo, mantenendo le informazioni memorizzate anche senza essere alimentate. Negli ultimi dieci anni la tecnologia Flash è stata leader nel mercato delle memorie non volatili, ma ora ha raggiunto i limiti di scalabilità e le più importanti società di semiconduttori devono affrontare questioni cruciali legate al drogaggio atomistico e all'intrappolamento delle cariche. Inoltre, il collo di bottiglia di Von Neumann porta a richiedere una memoria in grado di ridurre i tempi di latenza durante le operazioni della CPU, combinando le elevate prestazioni di SRAM e DRAM e l'alta densità della tecnologia Flash e dell'HDD. A tal fine, negli ultimi anni sia i gruppi di ricerca industriali che quelli accademici hanno profuso grande impegno nella progettazione di un'architettura di memoria non volatile rivoluzionaria con nuovi materiali, maggiore capacità di scaling e alte prestazioni al fine di sostituire la tecnologia di memoria Flash. Nel luglio 2015 Intel e Micron hanno raggiunto questo scopo annunciando la tecnologia di memoria non volatile 3D Xpoint, che basa il suo principio di funzionamento su un'architettura crossbar, in cui ogni elemento di memoria ha un elemento di selezione in serie situato all'intersezione tra una riga e una colonna della matrice. Questa architettura consente l'impilamento multiplo di più strati ed è in grado di raggiungere la dimensione minima del dispositivo di 4F^2, ottenendo costi di bit scalabili e alta densità d'integrazione paragonabile a quella della memoria Flash. In questa tecnologia l'elemento di selezione gioca un ruolo fondamentale per le sue elevate caratteristiche non lineari e l'alto rapporto tra la corrente di on e off, consentendo di limitare le correnti parassite durante le operazioni di programmazione e massimizzando le dimensioni dell'array disponibili grazie a una significativa riduzione del consumo di energia all'interno dell' architettura della memoria. Allo stesso tempo, approcci alternativi di calcolo sfruttando la memoria stanno diventando sempre più interessanti per sviluppare nuove logiche al fine di superare i problemi dovuti al collo di bottiglia di Von Neumann. In effetti, operazioni tipiche come l'apprendimento delle immagini, il riconoscimento dei pattern mostrano un elevato costo computazionale per i processori CMOS booleani, mentre per il cervello umano rappresentano processi elementari. In questo scenario, lo sviluppo di nuovi dispositivi progettati specificamente per l'elaborazione neuromorfica potrebbe consentire reti ad alta densità e bassa potenza al fine di gestire correttamente le attività di apprendimento e riconoscimento. Per questo motivo, diverse istituzioni industriali e accademiche sono alla ricerca di candidati promettenti tra le memorie emergenti che possano offrire le migliori caratteristiche per poter imitare il comportamento della sinapsi nel nostro cervello. Oggigiorno, le tecnologie più utilizzate per lo sviluppo di memorie crosspoint e per il calcolo neuromorfico sono rappresentate dalla memoria a cambiamento di fase (PCM) e dalla memoria a switching resistivo, comunemente nota come RRAM. Negli ultimi anni questi dispositivi si sono rivelati una tecnologia matura con funzionalità eccezionali in termini di commutazione rapida e alta resistenza per quanto riguarda le PCM e bassa potenza e basso costo di fabbricazione per quanto riguarda le RRAM, aprendo la strada alla nuova categoria di memorie Storage Class Memory (SCM) con enormi opportunità di mercato. Inoltre, proprietà come la variabilità intrinseca per le RRAM e la transizione graduale allo stato di set per le PCM, che risultano svantaggiose nel caso in cui si volessero implementare dispositivi di memoria, potrebbero risultare un punto di forza per poter realizzare sinapsi in una rete neuromorfica. Questa tesi di dottorato si concentrerà sullo studio di dispositivi di selezione basati su silicio e di memorie emergenti (PCM e RRAM). Il lavoro descrive i principi di funzionamento, la comprensione fisica e le applicazioni innovative nel campo delle memorie crosspoint e delle reti neuromorfiche. La caratterizzazione elettrica effettuata su questi diversi dispositivi ha svolto un ruolo fondamentale per questo scopo, fornendo il punto di partenza per la comprensione fisica del loro funzionamento, aprendo poi la strada anche alla progettazione e all'implementazione di un nuovo hardware neuromorfico per l'apprendimento e il riconoscimento di modelli.