高阻值自旋轨道矩磁性存储器实现高精度高性能存内计算

《IEEE Transactions on Electron Devices》：High-Accuracy, High-Performance In-Memory Computing With High-Resistance Spin-Orbit Torque (SOT) Magnetic Memory

本文针对人工智能加速器中存内计算（IMC）面临的器件变异影响计算精度、外围电路面积与能耗高、非易失存储器高电压编程验证操作耗时、阵列内求和电流导致IR压降等问题，提出了基于高电阻面积积（RA）自旋轨道矩磁阻存储器（SOT-MRAM）的1位量化网络方案。研究通过SOT-MRAM阵列的统计表征和量化感知训练，证实该技术具备优异均匀性支持高推理精度、高电阻特性实现可忽略的IR压降非线性、快速编程能力保障低功耗重构，为边缘AI提供了数字式可重构IMC加速器解决方案。

　　

随着人工智能技术的飞速发展，大语言模型（LLM）正在重塑AI领域格局，但训练和推理任务的计算成本引发了人们对AI能源可持续性的担忧。为了提升AI能效，量化深度神经网络（DNN）和存内计算（IMC）成为两大主流技术路径。量化DNN能显著减少模型规模并加速推理，而IMC通过内存中执行矩阵向量乘法（MVM）实现数据并行处理，有望将能效提升数个数量级。然而，现有IMC方案仍面临多重挑战：器件参数变异影响计算精度，面积和能耗巨大的外围电路，非易失存储器（NVM）的高压编程验证操作耗时，以及阵列内求和电流导致的IR压降问题——这些因素共同限制了计算精度和阵列规模扩展。

为此，研究团队将目光投向具有高电阻面积积（RA）特性的自旋轨道矩磁阻存储器（SOT-MRAM）。这项发表于《IEEE Transactions on Electron Devices》的研究，通过详尽的器件表征和神经网络仿真，系统论证了高RA SOT-MRAM在实现高精度、高性能IMC方面的独特优势。研究表明，该技术不仅能有效解决传统IMC的瓶颈问题，还为边缘AI加速器提供了新的技术路径。

关键技术方法包括：采用高RA SOT-MRAM阵列构建差分对单元实现三元权重（+1/0/-1）映射；利用二进制激活函数简化外围电路；通过统计建模分析器件间（D2D）变异、工艺尾部分布和编程错误率（WER）对推理精度的影响；建立IR压降解析模型评估阵列规模与寄生电阻的相互作用；与相变存储器（PCM）、三维交叉点（3DXP）、阻变存储器（RRAM）等新兴NVM进行基准测试对比。

器件与阵列表征

通过传输电子显微镜（TEM）分析显示，SOT-MRAM器件采用磁隧道结（MTJ）作为读取元件，重金属写入线作为写入元件的三端结构。

测量数据显示，平行态（P态）电阻R_P呈现欧姆特性，而反平行态（AP态）电阻R_AP随读取电压增加而降低。循环耐久性测试表明器件可承受超过10¹³次写操作，周期到周期（C2C）变异标准差仅为0.1%。

阵列R-V特性测试证实了低至5纳秒的快速编程能力。在MVM操作中，64个芯片的器件间（D2D）变异系数低至5%，隧道磁阻率（TMR）中值达170%，为高精度计算奠定了基础。

神经网络架构设计

研究针对全连接（FC）网络、LeNet5和VGG9三种架构，在MNIST和CIFAR-10数据集上评估二进制激活/三元权重神经网络（BATWNN）。

差分权重方案通过G₊-G_-实现正负权重，有效抵消了较大的关态电流。二进制激活函数用符号函数sign(x)简化了模数转换器（ADC）设计，大幅降低了外围电路开销。

推理仿真与分析

D2D变异性仿真表明，5%的变异系数对所有网络精度均无影响，宽网络因通道数增加表现出更强鲁棒性。

tail^H)和低尾(f_tail^L)以及内在高斯分布.(b)、(c)和(d) 假设f_tail^H=f_tail^L=f_tail时不同百分比值的仿真结果。在我们工艺的所有相关情况下，平均网络精度影响可忽略.'>工艺尾部分析显示，即使尾电流达到额定值三倍，尾部分布概率f_tail<2%时精度影响仍可忽略。编程错误率（WER）测试表明，网络对低于5%的WER具有完全容忍度，支持无验证快速重构。

par和器件电导的关系.(a) 高RA，G_p=660nS.(b) 中RA，G_p=6.6μS.(c) 低RA，G_p=66μS。所有情况假设TMR=170%。'>IR压降建模证实，高RA器件在10Ω寄生电阻下可实现256×256大规模阵列无精度损失，而中低RA阵列因求和电流较大受IR影响显著。

存储器性能基准对比

与相变存储器（PCM）、3D交叉点（3DXP）、阻变存储器（RRAM）和自旋转移矩存储器（STT-MRAM）相比，SOT-MRAM在精度损失、读写能耗、编程速度和耐久性方面综合表现最优。

尽管单元面积较大，但计算应用中读出声学和暂存存储器（SPM）通常主导面积需求，高RA SOT-MRAM在可重构性和计算精度方面的优势更为突出。

研究结论表明，高RA SOT-MRAM通过其优异的均匀性、高电阻特性和快速编程能力，为量化IMC提供了理想硬件平台。该技术支持高精度计算、可忽略的硬件引起的性能下降、低能耗和快速重构，特别适用于变压器基LLM中注意力层等写密集型任务。与多柱或多堆栈SOT方案相比，本文提出的基础单元在工艺复杂性、变异控制和技术成熟度方面更具实用价值，为下一代边缘AI加速器奠定了技术基础。