Statistical models of program/verify algorithm in resistive memory arrays for neural network accelerators

In recent years, emerging data-intensive tasks, such as artificial intelligence or the internet of things, has emphasized the limitations of current computing systems based on the von Neumann architecture. For this reason, new computing paradigms such as neuromorphic computing, which aims at replicating the dense neural networks of the human brain, composed of neurons and synapses, have been deeply investigated. Indeed, thanks to synapse plasticity, biological neural networks are able to both store and process information with high speed and extremely low power consumption, thus achieving a huge parallelism, making them suitable for typical machine learning tasks. Emerging memory technologies, thanks to their unique physical properties and structure, can be assembled in crosspoint architecture, which allows the hardware implementation of neuromorphic systems. Among all types of emerging memories, resistive switching memory (RRAM) stands out thanks to its excellent scalability, high switching speed, good endurance, low fabrication cost and the possibility to achieve multilevel operation. However, RRAM devices show serious reliability issues, such as programming variability, which strongly limits the adoption of such devices for emerging data-centric applications. For this reason, advanced programming techniques, such as program/verify algorithm, have been proposed in order to limit the RRAM programming variability. This thesis focuses on the study of multilevel programming variability of a 4-kbit aluminum-doped hafnium oxide (HfAlO) RRAM array under program/verify algorithm and proposes a statistical model able to explain and predict the cycle-to-cycle (C2C) and device-to-device (D2D) variability of experimental data.

Negli ultimi anni l’emergere di nuove applicazioni che richiedono la gestione e la memorizzazione di grandi quantità di dati non strutturati, come l’intelligenza artificiale o l’internet delle cose, ha enfatizzato le limitazioni degli attuali sistemi di calcolo basati sull’architettura di von Neumann. Per questo motivo sono stati studiati con attenzione nuovi paradigmi di computazione come il neuromorphic computing, il quale mira a replicare le dense reti neurali, composte da neuroni e sinapsi, che caratterizzano il cervello umano. Infatti, le reti neurali biologiche, grazie alla plasticità delle sinapsi, sono in grado sia di memorizzare che di processare le informazioni velocemente e con il consumo di modeste quantità di potenza. Ciò rende possibile ottenere un alto livello di parallelismo, requisito fondamentale per la realizzazione delle tipiche attività di machine learning. Le memorie emergenti, grazie alla loro struttura e alle loro particolari proprietà fisiche, possono essere assemblate nelle architetture crosspoint, le quali permettono l’implementazione di sistemi neuromorfici. Tra i vari tipi di memorie emergenti quelle a switching resistivo (RRAM) si distinguono per eccellente scalabilità, alta velocità di switching, ottima endurance, scarso costo di fabbricazione e possibilità di programmare le celle in più di due stati resistivi, ottenendo così un funzionamento multilivello. Sfortunatamente, però, i dispositivi RRAM presentano dei seri problemi di affidabilità, come la variabilità di programmazione, la quale limita fortemente l'utilizzo di tali memorie in applicazioni in cui devono essere gestite grandi quantità di dati. Per questo motivo, al fine di limitare la variabilità di programmazione, sono state proposte delle avanzate tecniche di programmazione, come l’algoritmo di program/verify. In questa tesi viene trattata la variabilità di programmazione multilivello di un array da 4 kbit composto da RRAM di ossido di afnio drogato con alluminio (HfAlO), sotto le condizioni imposte da un particolare algoritmo di program/verify. Inoltre, viene proposto un modello statistico in grado di spiegare e predire la variabilità ciclo a ciclo (C2C) e device a device (D2D) dei dati sperimentali.