Soutenance de thèse de Joel MINGUET LOPEZ

Ecole Doctorale
SCIENCES POUR L'INGENIEUR : Mécanique, Physique, Micro et Nanoélectronique
Spécialité
Sciences pour l'ingénieur : spécialité Micro et Nanoélectronique
établissement
Aix-Marseille Université
Mots Clés
RRAM,OTS,sélecteur,dispositifs,applications,
Keywords
RRAM,OTS,selector,devices,applications,
Titre de thèse
Co-intégration RRAM avec sélecteur OTS back-end: des dispositifs jusqu'aux applications
RRAM co-integration with OTS-based back-end selector: from devices to applications
Date
Thursday 1 December 2022 à 14:00
Adresse
3, Parvis Louis Néel, 38054 Grenoble - France
MINATEC
Jury
Directeur de these M. Jean-Michel PORTAL Aix Marseille Université
Rapporteur M. Damien QUERLIOZ C2N Paris Saclay
Rapporteur Mme Monica BURRIEL Université Grenoble Alpes
CoDirecteur de these M. Damien DELERUYELLE INSA de Lyon
Examinateur M. Gabriel MOLAS WeebitNano
Président M. Abdelkader SOUIFI INSA de Lyon

Résumé de la thèse

La pertinence des matrices Crossbar à base de dispositifs OxRAM+OTS pour des applications de stockage non-volatile et des circuits neuromorphiques est étudiée dans le cadre de thèse, sur la base de nombreuses données expérimentales et de simulations numériques approfondies. Pour cela, les figures de mérite des dispositifs OxRAM+OTS sont optimisées à partir des caractéristiques des dispositifs OTS et OxRAM. Une marge de tension de ~0.8V stable pendant 107 cycles de programmation est démontrée (codage à un seul niveau). Ensuite, les figures de mérite des matrices Crossbar OxRAM+OTS sont adressées. Premièrement, la capacité mémoire est optimisée en réduisant la taille des cellules OxRAM+OTS, sans contrepartie en termes de consommation électrique. Deuxièmement, un codage multi-niveau dans les dispositifs est prouvé, améliorant la densité globale de la mémoire. Troisièmement, une lecture ultra-rapide à 1MHz dans le régime sous-seuil est démontrée, réduisant la latence de lecture mémoire au détriment de capacités multi-niveau du dispositif réduites. Sur la base de ces performances, la pertinence des matrices Crossbar OxRAM+OTS pour l’encodage des poids synaptiques sur puce des réseaux de neurones artificiels standards (ANNs) et à impulsions bio-inspirés (SNNs) est abordée. Premièrement, une efficacité énergétique supérieure pour des conditions matérielles spécifiques est observée pour les SNNs. Deuxièmement, une amélioration de la précision des réseaux sur des tâches standards de classification d’image est prouvée en augmentant la précision des poids synaptiques, jusqu’à un certain point. En effet, incrémenter fortement le nombre de niveaux dans les cellules induit l’apparition d’erreurs trop importants dans les dispositifs. En tout, le grand potentiel des matrices Crossbar OxRAM+OTS pour des applications de stockage et des circuits neuromorphiques est démontré, ouvrant la voie à une investigation plus approfondie vers des applications spécifiques.

Thesis resume

The pertinence of the OxRAM+OTS based Crossbar arrays for both non-volatile storage applications and highly efficient neuromorphic circuits is studied in this thesis, by crossing extensive experimental data with deep numerical modelling. To this aim, the OxRAM+OTS device figures of merit are optimized, based on OTS and OxRAM electrical features and programming conditions. A stable ~0.8V read voltage margin over 107 programming cycles is achieved for adjusted stack and programming conditions (Single-Level-Cell). Based on this analysis, the overall Crossbar array figures of merit are addressed. First, the overall memory capacity is optimized by OxRAM+OTS cell downscaling, with no counter-part in terms of device electrical consumption. Second, OxRAM+OTS Multi-Level-Cell (MLC) capabilities are demonstrated, improving the overall memory density. Third, up to 1MHz ultra-high frequency read operation in the sub-threshold regime is proved, improving the overall memory read latency at the expense of the device Multi-Level-Cell capabilities degradation. Based on these performance, the OxRAM+OTS Crossbar arrays pertinence for synaptic weight encoding for both standard Artificial Neural Networks (ANNs) and bio-inspired Spiking Neural Networks (SNNs) inference implementation in hardware is addressed. First, SNNs are demonstrated to promise a higher energy efficiency for specific hardware conditions. Second, up to some extent, increasing the network weights precision is demonstrated to improve the overall network accuracy on standard image classification tasks, while degrading the circuit inference latency. Indeed, increasing too much the amount of levels encoded per memory cell implies too large OxRAM+OTS bit errors, no longer tolerated by the networks. All in all, the OxRAM+OTS Crossbar high potential for both storage and neuromorphic applications is demonstrated, opening the way for a system-wide investigation towards specific applications.