Minnesteknologi för maskininlärning
Memory Technology for Machine Learning

EITP25F, 7.5 högskolepoäng

Gäller från och med: Vårterminen 2020
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2020-10-01

Allmänna uppgifter

Avdelning: Inst för elektro- och informationsteknik
Kurstyp: Gemensam kurs, avancerad nivå och forskarnivå
Kursen ges även på avancerad nivå med kurskod: EITP25
Undervisningsspråk: Engelska

Syfte

Målet med denna kurs är att ge djup förståelse för fysiken bakom de vanligaste minneskomponentteknologierna med stort fokus på icke-volatila minnen. Vidare behandlas hur dessa kan integreras för att skapa neuromorf hårdvara för tillämpning inom maskininlärning och artificiell intelligens. Slutligen ger kursen även en introduktion till de arkitekturer och algoritmer som används inom maskininlärning för att ge en grundläggande förståelse för vilka behov minneskomponenter och dess kopplingar behöver uppfylla för denna tillämpning.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• förklara översiktligt hur minneshierarkin i en modern dator ser ut och i detalj hur dess minneskomponenter fungerar.
• förstå de fysiska processer som ligger bakom funktionen i vanliga icke-volatila minnestyper som RRAM, PCM, FeRAM och STT-MRAM.
• förstå generellt vilka begränsningar och fördelar som de olika minnestyperna som behandlas i kursen har.
• förstå generellt hur integrationen av minneskomponenter till neurala nätverkskretsar kan göras, och fördelar och begränsningar med dessa tillvägagångssätt.
• förstå uppbyggnaden och funktionen av grundläggande typer av artificiella neurala nätverk.
• förklara i detalj hur träning genomförs i neurala nätverk med hjälp av bakåtpropagering och gradiell nedstigning.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• utföra mätningar och analys av ström-spänningskarakteristiken från en RRAM komponent.
• utifrån en uppmätt polarisation-fält-diagram kunna extrahera viktiga parametrar för en ferroelektrisk kondensator.
• kunna ge förslag på hur hastighet, pålitlighet samt energiförbrukning kan förbättras i de olika minnestyperna som behandlas i kursen.
• designa och träna ett spikande neuralt nätverk för att utföra bildigenkänning.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• inse behovet av energieffektiv och skalbar neuromorf hårdvara för maskininlärning och AI.
• utvärdera lämpligheten för en given minnesteknologi för diverse användningsområden utifrån dess fördelar och nackdelar.

Kursinnehåll

Minneskomponenter i datorn: SRAM, DRAM, NAND Icke-volatila minneskomponenter: Memristorn, resistiva minnen (RRAM), fas-ändringsminnen (PCM), ferroelektriska minnen (FeRAM), magnetiska minnen (MRAM). Integration av minneskomponenter: 3D stackning för skalbarhet, crossbar-arkitekturen. Neurala nätverksarkitekturer: framåtmatade neurala nätverk, rekursiva neurala nätverk, spikande neurala nätverk. Maskininlärningsalgoritmer: Bakåtpropagering, gradiell nedstigning, Hebbsk och icke-Hebbsk inlärning, unsupervised learning through STDP.

Kurslitteratur

Chen, A., Hutchby, J., Zhirnov, V. & Bourianoff, G.: Emerging Nanoelectronic Devices. John Wiley & Sons, 2015. ISBN 9781118447741.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, seminarier, laborationer, projekt

Kursens examination

Examinationsformer: Skriftlig tentamen, skriftlig rapport
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: Grundläggande kunskaper om komponentfysik

Övrig information

Kursansvarig: Mattias Borg, mattias.borg@eit.lth.se

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga: