Write-Verify Scheme for IGZO DRAM in Analog in-Memory Computing

介绍

尽管在深度神经网络（DNN）权重的变化是可以容忍的，但过大的变化（>10%）会降低 DNN 的精度。
本文针对 IGZO-DRAM 读出设备的阈值电压变化大的问题（即权重变化大），提出了一种写入验证的补偿方案，在第一次写入后，将变化的Vth通过ADC读取转化成数字量并与参考值做对比，进而更新权重。

写入验证方案

通过act线激活DRAM，产生ION电流通过一个I\V转换电路，将电流转化为电压，通过ADC量化与init_code作比较通过逻辑电路控制可编程放大器（PGA）控制位线补偿。

电流转换电压公式

\[V_{OUT} = I_{ON}(V_{w_{i}}, \delta V^{i}_{TH})*\frac{t_{p}}{C{f}}\]

\(t_{p}\)表示激活时间，\(C_{f}\)表示反馈电容

\[t_{array} = N*t_{cell}\]

\(N\)表示每一行的cell数量

实验结果

从图1中可以看出，\(t_{1}\)时刻，还未补偿时，\(I_{ON}\)的方差大，其\(\frac{\sigma}{\mu}\approx\pm 27\%\)，补偿后(即\(t_{2}\)时刻)，\(\frac{\sigma}{\mu}\approx\pm 3\%\)。
图2展示了\(t_{2}\)时刻，电流的具体分布

随着补偿周期的增加，阵列速度和能耗效率得到了显著的提升，而所带来的面积的增加（IV转换电路、ADC、PGA）和能耗的增加是可以忽略不计的。