ハイブリッド精度を利用したトレーニングと推論：2T-1FeFETベースのアナログシナプス重みセル

アナログ不揮発性メモリ（NVM）によるインメモリコンピューティングは、アナログ領域での乗算-累積（MAC）操作を並列化することで、深層ニューラルネットワーク（DNN）のインシチュトレーニングと推論の両方を加速することができます。しかし、インシチュトレーニングの精度は、望ましくない重み更新の非対称性/非線形性や限られたビット精度により、受け入れがたい劣化が生じます。本研究では、インシチュトレーニングと推論のためにハイブリッド精度を活用するコンパクトなフェロエレクトリックFET（FeFET）ベースのシナプスセルを導入することで、この課題を克服します。トレーニング中の対称的/線形更新のために、FeFETの調整された「揮発性」ゲート電圧を使用して最下位ビット（LSB）を表現し、「不揮発性」なFeFETの偏極状態を使用して推論のための最上位ビット（MSB）情報を保持する新しいハイブリッドアプローチを提案します。この設計は、実験的に検証されたFeFET SPICEモデルとTensorFlowフレームワークとの共同シミュレーションによって実証されます。提案された6ビットおよび7ビットのシナプス設計により、インシチュトレーニングの精度はMNISTデータセットで約97.3%、CIFAR-10データセットで約87%に達し、理想的なソフトウェアベースのトレーニングに接近しています。