Heterogeneous integration of high-density analog crossbar for advanced data processing

信息技术和通信技术在我们的电子系统的概念和使用方面发生了重大变化。En reason de l'inadaptabilité des ordinateurs actuels pour analyzer des données important，hétérogènes et non structurées，des solutions innovatives sont actuellement attendues et nécessaires.这些系统需要重新设计，以实现对信息Au的更好的处理，Au的范式、架构和制造技术。值得注意的是，一个方向prometteuse émerge actuellement à travers le calcul bio-inspiré qui apparat particulièrement performant pour traiter des données important profecture profecture de sources profecture，en temps réel et avec une très faible empreinte énergétique. Un adjaple marquant is le niveau de performance attempt de nos jours par les réseaux de neurones artificiels pour la reconstruction d'image ou les jeux stratégiques.此外，这些系统采用了一种技术，该技术将神经元的神经元神经元突触（synapses）与记忆体神经元Nous proposons dans ce projet de fabriquer un système versatile pour le dépement de matériel pour le“Machine Learning”.我们提出了一个具有创新性、灵活性和创新性的战略，以实现与“机器学习”应用效率相关的资源-乘法和累积运算（MAC）。我们的建议有助于使现有技术和新功能的成熟性和灵活性从紧急情况中获益。Le projet présente deux niveaux d'integrégration：（i）Une integrégration de type“packaging”qui vise à integrégrer des puces mmoires specifiques sur un interposer CMOS actif permettant de générer，recevoir et distributer les signaux entre les différentes puces mmoires.该方法可最大限度地减少记忆颗粒的可变性，并为插入器的Au提供一个重要的Au灵活性。(ii)Une intégration « sur puce » de memoires résistives interconnectées en“crossbar”passif et présentant une amplification dédiée.该解决方案permettra d 'atteindre des densités de points memoires élevées tout en préservant les fonctionnalités de ces dernières.

Les Technologies de l'Information et de la Communication subissent de nos jours des changements majeurs qui devraient bouleverser notre conception et notre utilisation des systèmes électroniques. En raison de l'inadaptabilité des ordinateurs actuels pour analyser des données importantes, hétérogènes et non structurées, des solutions innovantes sont actuellement attendues et nécessaires. Ces systèmes nécessiteront de repenser en profondeur le traitement de l'information au niveau du paradigme, de l'architecture et des technologies de fabrication. Notamment, une direction prometteuse émerge actuellement à travers le calcul bio-inspiré qui apparaît particulièrement performant pour traiter des données importantes provenant de sources disparates, en temps réel et avec une très faible empreinte énergétique. Un exemple marquant est le niveau de performances atteint de nos jours par les réseaux de neurones artificiels pour la reconnaissance d'image ou les jeux stratégiques. Cependant, de tels systèmes bénéficieraient largement d'une technologie dédiée permettant d'implémenter leur structure ultra-parallèle et distribuée en termes de mémoire (les synapses) sur l'ensemble des noeuds de calcul (les neurones). Nous proposons dans ce projet de fabriquer un système versatile pour le développement de matériel pour le "Machine Learning". Nous proposons une stratégie évolutive, souple et innovante pour la mise en oeuvre du poids synaptique et de l'opération Multiply et ACcumulate (MAC ) associée qui est l'une des ressources les plus exigeantes pour des applications "machine learning" efficaces. Nous proposons de tirer profit à la fois de la maturité et flexibilité des technologies actuels et des fonctionnalités nouvelles offertes par les mémoires émergentes. Le projet présente deux niveaux d'intégration : (i) Une intégration de type « packaging » qui vise à intégrer des puces mémoires spécifiques sur un interposer CMOS actif permettant de générer, recevoir et distribuer les signaux entre les différentes puces mémoires. Cette approche permettra de minimiser la variabilité des puces mémoires et de préserver une flexibilité importante au niveau de l'interposer. (ii) Une intégration « sur puce » de mémoires résistives interconnectées en "crossbar" passif et présentant une amplification dédiée. Cette solution permettra d'atteindre des densités de points mémoires élevées tout en préservant les fonctionnalités de ces dernières.