🔬 applied physics

Mitigating the Impact of Retention Loss on Inference Accuracy in 65 nm Single-Poly Floating-Gate Analog In-Memory Computing

Este artigo demonstra, por meio de experimentos em uma matriz de computação analógica em memória de porta flutuante de polissilício único de 65 nm e simulações em nível de sistema, que a combinação de compensação em nível de circuito com a recalibração de normalização de lote algorítmica pode recuperar a precisão de inferência para dentro de 2–4% da linha de base após 60 dias de perda de retenção.

Autores originais: Mirko Brazzini, Giulio Filippeschi, Alessandro Catania, Sebastiano Strangio, Giuseppe Iannaccone

Publicado 2026-07-29

📖 4 min de leitura☕ Leitura rápida

CC0 1.0

Autores originais: Mirko Brazzini, Giulio Filippeschi, Alessandro Catania, Sebastiano Strangio, Giuseppe Iannaccone

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde o seu computador não apenas processa números em uma fábrica, mas pensa como um cérebro, usando eletricidade para imitar a forma como os neurônios disparam. Este é o reino da Computação Analógica em Memória (Analog In-Memory Computing). Em vez de transportar dados de um lado para o outro entre um banco de memória e um processador (o que é como correr até a cozinha toda vez que você precisa de uma colher), esta tecnologia armazena os "pesos" de uma rede neural — as memórias e lições do cérebro — dentro das próprias células de memória. É como ter uma biblioteca onde os livros também podem fazer as contas para você.

No entanto, há um problema. Essas células de memória são frequentemente feitas de minúsculas ilhas flutuantes de carga elétrica. Com o tempo, assim como um balão furado que perde ar lentamente, essas células perdem naturalmente sua carga. Isso é chamado de perda de retenção (retention loss). Em um mundo digital, um pouco de carga perdida pode apenas transformar um 0 em 1, o que é fácil de corrigir. Mas neste cérebro analógico, a carga é a resposta. Se a carga oscilar, a matemática fica errada, e o computador pode confundir um gato com uma torradeira. Cientistas estão desesperados para descobrir como manter esses cérebros de memória "vazantes" precisos por meses ou anos, porque, se não conseguirem, essa tecnologia supereficiente nunca sairá do laboratório.

Este artigo mergulha exatamente nesse problema usando um tipo específico de chip de memória construído com tecnologia padrão de 65 nm (um tamanho de fabricação comum). Os pesquisadores, Mirko Brazzini e sua equipe, queriam ver se conseguiam impedir que uma rede neural esquecesse suas lições conforme as células de memória perdem carga lentamente ao longo do tempo. Eles não apenas adivinharam; eles construíram um chip real, o programaram e observaram o que acontecia durante 60 dias.

A equipe descobriu que a perda de carga acontece de duas maneiras distintas, como dois tipos diferentes de clima afetando um jardim. Primeiro, há um desvio sistemático (systematic drift), onde cada célula perde carga de uma forma previsível e média, deslocando todo o crescimento do jardim em uma única direção. Segundo, há o ruído estocástico (stochastic noise), um tremor caótico e aleatório onde algumas células perdem um pouco mais e outras um pouco menos, criando um padrão bagunçado e imprevisível.

Para consertar isso, a equipe tentou duas ferramentas diferentes, como um jardineiro usando tanto um regador quanto um fertilizante. A primeira ferramenta foi a compensação ao nível do circuito (circuit-level compensation). Eles perceberam que, simplesmente ajustando a "tensão de leitura" (a pressão usada para verificar a memória), poderiam neutralizar o desvio previsível e médio. É como aumentar o volume de um rádio para compensar um sinal que está ficando ligeiramente mais baixo para todos. A segunda ferramenta foi a recalibração algorítmica (algorithmic recalibration), especificamente algo chamado Recalibração de Normalização de Lote (Batch Normalization Recalibration - BNR). Esta é uma técnica de software que reajusta as configurações internas da rede neural para lidar com o ruído aleatório e caótico que o ajuste de tensão não conseguiu corrigir. É como ensinar o céreimo a ignorar a estática do rádio e focar na música.

Os resultados foram promissores. Quando testaram o sistema em duas redes neurais diferentes (VGG-10 e WideResNet-28-10) treinadas para reconhecer imagens, descobriram que não fazer nada era um desastre; após 60 dias, a precisão despencou. Usar apenas o ajuste de tensão ajudou, mas a rede ainda lutava contra o ruído aleatório. Usar apenas a recalibração de software ajudou com o ruído, mas falhou em relação ao grande desvio. No entanto, quando combinaram ambos, o ajuste de tensão e a recalibração de software, o sistema foi um herói. Em suas simulações, que foram calibradas com dados experimentais reais, a rede recuperou sua precisão de base para dentro de apenas 2-4% mesmo após 60 dias.

O artigo observa cuidadosamente que isso não é uma varinha mágica que resolve tudo para sempre. Os resultados baseiam-se em simulações de nível de sistema que foram cuidadosamente ajustadas para corresponder às medições do mundo real de seu chip de 65 nm. Eles mostram explicitamente que você não pode confiar em apenas um método; você precisa tanto do conserto de hardware quanto do conserto de software para realizar o trabalho. Embora o artigo não afirme que este é um problema resolvido para todos os computadores do futuro, ele demonstra um caminho claro e prático a seguir. Sugere que, com essas técnicas combinadas, chips analógicos de porta flutuante (floating-gate) podem potencialmente executar tarefas de inferência confiáveis e de longo prazo para aprendizado profundo, mantendo suas "memórias" aguçadas por pelo menos dois meses sem precisar de um reset.

Resumo Técnico: Mitigação do Impacto da Perda de Retenção na Precisão de Inferência em Computação Analógica de Memória em Computação com Memória de Porta Flutuante de Polissilício Único de 65 nm

Definição do Problema
A Computação Analógica em Memória (AIMC) utilizando multiplicadores matriz-vetor (VMM) oferece ganhos significativos de eficiência energética para o aprendizado profundo ao reduzir a movimentação de dados e utilizar a operação de sublimiar. Embora as memórias de Porta Flutuante (FG) sejam uma candidata promissora devido à sua compatibilidade com processos CMOS maduros e programabilidade multinível intrínseca, elas sofrem de perda de retenção. Diferente das memórias digitais, onde a perda de carga leva a erros de bits discretos, as memórias analógicas armazenam pesos sinápticos como níveis de carga contínuos. Consequentemente, a perda de carga perturba a própria computação, degradando a precisão da inferência. O desafio reside em avaliar e mitigar tanto o desvio sistemático (médio) quanto a variabilidade estocástica (de dispositivo para dispositivo) desta perda de carga ao longo do tempo para manter o desempenho confiável da rede neural.

Metodologia
Os autores conduziram experimentos e simulações de nível de sistema usando um arranjo de memória não volátil de FG de polissilício único fabricado em um processo CMOS TSMC de 65 nm padrão. A arquitetura emprega um esquema de crossbar 1T-1FG, onde células 1T-1FG atuam como fontes de corrente programáveis.

Caracterização do Dispositivo: O estudo caracterizou o comportamento de retenção de células de memória programadas para vários níveis de corrente (0,4 a 80 nA). As medições foram realizadas após 10, 30 e 60 dias de armazenamento em temperatura ambiente. Os dados revelaram que a perda de carga resulta em uma redução na tensão de limiar do transistor, causando um aumento correspondente na corrente programada.
Modelagem: A perda de retenção foi decomposta em dois componentes:
- Desvio Sistemático: Um deslocamento médio na corrente ao longo do tempo, modelado pelo ajuste da relação log-log entre as correntes inicial e retida para extrair os parâmetros de inclinação ( $m$ ) e intercepto ( $q$ ).
- Variabilidade Estocástica: Uma variação aleatória, de dispositivo para dispositivo, em torno do desvio médio, modelada como uma distribuição normal de média zero ( $\chi$ ) com um desvio padrão ( $\sigma$ ) dependente da corrente programada e do tempo.
Estratégias de Mitigação: Duas técnicas complementares foram avaliadas:
- Compensação ao Nível de Circuito (Compensação de $V_{read}$ - VRC): Uma tensão de leitura adaptativa é ajustada para compensar o desvio médio sistemático da tensão de limiar.
- Recalibração Algorítmica (Recalibração de Batch Normalization - BNR): Os parâmetros de média e variância das camadas de normalização por lote são atualizados usando um conjunto de dados de calibração. Isso compensa os deslocamentos de distribuição causados pelo componente de perda de carga de média zero.
Avaliação do Sistema: Os modelos de retenção calibrados foram integrados em um framework de simulação de inferência consciente do hardware. O impacto na precisão da inferência foi avaliado para duas arquiteturas de redes neurais: VGG-10 no CIFAR-10 e WideResNet-28-10 no CIFAR-100. As simulações incluíram 500 execuções de Monte Carlo para considerar a variabilidade estocástica.

Resultados Principais
O estudo comparou quatro cenários: Sem Mitigação (NM), VRC apenas, BNR apenas e a abordagem combinada VRC+BNR.

Desempenho de Referência (Baseline): Sem mitigação, a precisão da inferência degradou significativamente ao longo de 60 dias. Para VGG-10/CIFAR-10, a precisão caiu de uma referência de 93,7% para 59,6% (apenas BNR) ou menos sem qualquer compensação.
Eficácia da Mitigação Combinada: A combinação da compensação de $V_{read}$ $V_{r e a d}$ e BNR provou ser altamente eficaz. Após 60 dias:
- VGG-10/CIFAR-10: A precisão recuperou-se para 91,4% (referência 93,7%), um desvio de menos de 2,5%.
- WideResNet-28-10/CIFAR-100: A precisão recuperou-se para 78,3% (referência 82,1%), um desvio de aproximadamente 3,8%.
Necessidade de Ambas as Técnicas: Os resultados demonstraram que nenhuma das técnicas isoladamente era suficiente para restaurar a precisão de referência, pois a compensação de $V_{read}$ abordava o desvio médio, mas não conseguia corrigir a variabilidade estocástica, enquanto o BNR abordava os deslocamentos de distribuição, mas não conseguia corrigir totalmente o deslocamento sistemático sem o ajuste de tensão.

Significância e Alegações
O artigo afirma demonstrar que é possível mitigar com sucesso o impacto da degradação da precisão de inferência causada pela perda de retenção para redes neurais profundas utilizando memória analógica de porta flutuante. Ao combinar o ajuste de tensão de leitura adaptativa ao nível de circuito com a recalibração de normalização de lote algorítmica, os autores mostram que uma precisão de inferência estável pode ser mantida por mais de dois meses (60 dias) após a programação.

A significância reside em fornecer um caminho prático para a operação de longo prazo confiável de chips neuromórficos baseados em FG. O trabalho estabelece que uma análise de dispositivo-para-sistema, que considera tanto os componentes de retenção sistemáticos quanto estocásticos, é essencial para implantar memórias não voláteis analógicas em aplicações de inferência de aprendizado profundo. Os autores concluem que essas técnicas permitem a recuperação da precisão de referência dentro de 2-4% após 60 dias, validando a viabilidade da tecnologia FG para AIMC, apesar dos desafios inerentes de retenção.

Mais como este