単片集積型3次元IGZO-RRAM-SRAMコンピューティングストレージ新アーキテクチャ研究：ニューラルネットワーク計算効率向上のブレークスルー

背景と研究の動機

ニューラルネットワーク（Neural Network, NN）が人工知能分野で広く応用されるにつれ、従来の計算アーキテクチャでは、エネルギー消費、速度、密度に関する要求を満たすのが困難です。この問題を解決するため、研究者はコンピューティングストレージ（Compute-In-Memory, CIM）チップ技術に注目しています。CIMは、計算ユニットとストレージユニットを1つのアーキテクチャに統合することで、大量のデータ転送による「メモリボトルネック」効果を回避し、システム効率を大幅に向上させるものです。これまでのCIMアーキテクチャは、主に静的ランダムアクセスメモリ（Static Random Access Memory, SRAM）、抵抗型ランダムアクセスメモリ（Resistive Random Access Memory, RRAM）、酸化インジウムガリウム亜鉛（Indium-Gallium-Zinc-Oxide, IGZO）などのデバイスに基づいてきました。

しかし、単一タイプのメモリデバイスに基づく既存のCIMシステムは、密度、エネルギー効率、精度のバランスで多くの課題に直面しています。具体的には： 1. 単一タイプデバイスの非理想性（Non-Ideality）の問題：異なるメモリデバイスにはそれぞれの限界があります。たとえば、SRAMは高精度ですが密度と消費電力の点で劣ります。一方、RRAMは高密度ですが、セル間のバリエーションや書き込み耐性の不足に直面しています。 2. ストレージおよび計算アレイ外のコンポーネントがシステムリソースの大部分を占有：特に活性化データの保存が挙げられます。大規模なニューラルネットワークの中間活性化データを大量に保存する必要があり、従来のSRAMに依存する方法では、SRAMの低密度がCIMシステム全体の効率を低下させています。

これらの問題により、これまでの限界を克服し、それぞれの利点を総合的に活用できる新しいCIMアーキテクチャを模索する研究が行われています。本研究は、《Science China Information Sciences》に発表され、単片集積型3次元（3D）アーキテクチャに基づいたIGZO-RRAM-SRAM統合ソリューション（Monolithic 3D IGZO-RRAM-SRAM Architecture）を提案しています。

研究の出典

本研究は、中国科学院微電子研究所と中国科学院大学が共同で実施し、主要著者にはShengzhe Yan、Zhaori Cong、Zi Wangらが含まれます。この論文は2025年2月に《Science China Information Sciences》にオンラインで掲載され、「A monolithic 3D IGZO-RRAM-SRAM-integrated architecture for robust and efficient compute-in-memory enabling equivalent-ideal device metrics」というタイトルで発表されました。

研究のプロセスと技術的詳細

1. 「等価理想（Equivalent-Ideal）」CIMアーキテクチャの導入

研究者たちは「等価理想CIMアーキテクチャ」（EQ-CIM）という概念を提案し、単片積層技術を用いてSRAM、RRAM、IGZOを3次元アーキテクチャ内で機能分担させました。その目標は、異なるデバイスの利点を統合して最大限に活用することです： - IGZOは活性化データの保存機能を担い、超低リーク電流を有しており、高密度かつ低消費電力を実現します。 - RRAMは、高密度の重みストレージとして使用されます。 - SRAMは、高精度かつ効率的なCIM計算を担当します。

この機能分担戦略により、各デバイスの特有の性能を活用しつつ、それぞれの非理想性を回避可能としています。

2. 3Dスタッキングとデバイスモデリング

研究者は、単片積層3Dスタッキング技術を用いて、RRAMを金属層（Metal 5/6）間に統合し、IGZOを最上層の金属層（Metal 9）に積層し、SRAMをシリコン層に配置しました。重要な実験は次の通りです： - RRAMおよびIGZOデバイスのモデリングとバリエーション分析：2KBのRRAMアレイと52個のIGZOデバイスをテストし、温度や幾何プロセスパラメータ（接触深度など）の変化による性能の変化を分析。 - デバイス特性の抽出：IGZOデバイスのしきい値電圧のドリフト、オン電流の変化、RRAMの高／低抵抗状態（HRS/LRS）が時間とともにどのように変化するかを抽出。

さらに、異なるデバイス間の周波数ミスマッチ（SRAMの動作周波数は400 MHzに達し、IGZOの典型的な動作周波数は50 MHz）に対処するため、研究者たちは帯域幅を倍増する解決策を提案しました。複数のIGZOストレージブロックを並行して操作することで、周波数差を排除しました。

3. デバイスからシステムへのシミュレーションフレームワーク

研究者は、デバイスレベルからシステムレベルへのシミュレーションフレームワークを構築しました： - デバイスレベルでは、RRAMとIGZOの主要パラメータおよび変動（温度関連ドリフト、幾何変化など）を抽出。 - システムレベルでは、これらデバイスレベルの変化影響をアルゴリズムレベルへ変換し、ニューラルネットワークの精度と消費電力への影響を評価しました。研究では、Pytorchに基づいたPythonツールチェーンを採用。

ニューラルネットワークの負荷はコンパイルされ、異なるストレージ層（IGZO、RRAM、SRAM）に割り当てられ、重みと活性化値の読み書き操作に基づいてシステム全体のエネルギー消費と面積効率が計算されました。

4. ワークフローと実験結果

研究では、標準的なニューラルネットワークモデル（VGG16およびResNet50）を使用し、CIFAR-10およびImageNetデータセットでテストが行われました： - ストレージ密度：EQ-CIMは19.8 MB/mm²というストレージ密度を実現し、既存のCIMソリューション（例えば、RRAMやPCMに基づくソリューション）に比べて5～11倍の改善を示しました。 - エネルギー効率：ResNet50のテストでは、EQ-CIMのシステムレベルのエネルギー効率は95.2 TOPS/Wに達し、最も優れた単一タイプソリューションに比べて2.45倍向上しました。 - ニューラルネットワーク精度：ImageNetでの実験では、EQ-CIMは温度変動範囲（-40°Cから120°C）内でも高い精度を維持しました（精度損失は0.27%以下）。 - 面積効率：純粋なSRAMやRRAMのソリューションと比較して、EQ-CIMのシステム面積効率は3.99倍向上しました。

結論と学術的意義

1. 研究の結論

EQ-CIMは、IGZO、RRAM、SRAMを革新的に組み合わせることで、計算密度、エネルギー効率、精度における画期的な成果を達成しました。また、このアーキテクチャは、高温環境やデバイスバリエーション条件下でも優れたロバスト性を示し、大規模ニューラルネットワークモデルに適用可能です。

2. 科学および工学的意義

本研究はデバイス、アーキテクチャ、およびシステムレベルの設計間で卓越した協調最適化を実現し、CIM設計の新たな方向性を切り開きました。その科学的意義は次の通りです： 1. 単一タイプデバイスの非理想性問題を解決する新しい方法を提供。 2. 単片積層3D技術をストレージと計算分野へ応用するシナリオを増強。 3. デバイスからシステムへのシミュレーションフレームワークを提案し、計算ストレージ研究に強力な分析ツールを提供。

その工学的価値は次の点にあります： - エッジコンピューティング分野における高エネルギー効率CIMチップの開発を推進。 - ニューラルネットワーク推論およびトレーニング用ハードウェアアクセラレータに新しい設計戦略を提供。

3. 研究のハイライト

• 複数のデバイスを統合した革新的なアーキテクチャを採用し、「等価理想」のCIM性能を達成。
• 効率的な3D積層技術と、先進的な温度ロバスト性テストフレームワークを融合。
• 標準的なニューラルネットワークによる実験結果により、このアーキテクチャが実世界のタスクで高い応用可能性を持つことを実証。

研究者たちはまた、3Dプロセス、材料選択、熱管理、チップレベルの信頼性など、将来的なエンジニアリング課題がなお解決される必要があることを指摘しています。