Core Concepts
FeFET 디바이스의 사이클 간 및 디바이스 간 변동성을 실험적으로 분석하고, 이를 베이지안 신경망 학습 프레임워크에 반영하여 변동성에 강한 신경망 추론 성능을 달성하였다.
Abstract
본 연구는 FeFET 디바이스의 변동성 특성을 실험적으로 분석하고, 이를 베이지안 신경망 학습 프레임워크에 반영하여 변동성에 강한 신경망 추론 성능을 달성하였다.
실험 결과, FeFET 디바이스의 사이클 간 및 디바이스 간 변동성은 디바이스 크기와 동작 전압에 따라 크게 달라지는 것으로 나타났다. 특히 작은 디바이스일수록 디바이스 간 변동성이 크게 증가하였다. 이러한 변동성 특성을 베이지안 신경망의 사전 분포로 반영하여 학습을 수행한 결과, 변동성에 강한 신경망 추론 성능을 달성할 수 있었다.
얕은 신경망 모델(MLP5, LeNet)의 경우 변동성에도 불구하고 거의 이상적인 추론 정확도를 유지할 수 있었다. 반면 깊은 신경망 모델(AlexNet)의 경우 디바이스 크기와 동작 전압에 따라 3.8-16.1%의 정확도 저하가 관찰되었다. 이는 깊은 신경망일수록 각 층의 변동성이 누적되어 추론 성능에 더 큰 영향을 미치기 때문이다.
본 연구는 하드웨어-알고리즘 공동 설계 기법을 통해 변동성에 강한 FeFET 기반 신경망 컴퓨팅 시스템을 구현하였다는 점에서 의의가 있다.
Stats
FeFET 디바이스의 사이클 간 변동성은 디바이스 크기에 크게 의존하지 않지만, 디바이스 간 변동성은 디바이스 크기가 작아질수록 크게 증가한다.
FeFET 디바이스의 변동성은 프로그래밍된 전도도 상태에 따라 크게 달라지며, 낮은 전압에서 더 심각한 변동성이 관찰된다.
Quotes
"변동성 문제는 FeFET 기반 신경망 컴퓨팅 시스템의 신뢰성 확보를 위해 반드시 해결해야 할 과제이다."
"하드웨어-알고리즘 공동 설계 기법을 통해 변동성에 강한 FeFET 기반 신경망 컴퓨팅 시스템을 구현할 수 있다."