当前位置：
X-MOL 学术
›
Adv. Mater.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
In-Memory Computing with Memristor Content Addressable Memories for Pattern Matching.
Advanced Materials ( IF 27.4 ) Pub Date : 2020-08-06 , DOI: 10.1002/adma.202003437 Catherine E Graves 1 , Can Li 1 , Xia Sheng 1 , Darrin Miller 2 , Jim Ignowski 2 , Lennie Kiyama 1 , John Paul Strachan 1
Advanced Materials ( IF 27.4 ) Pub Date : 2020-08-06 , DOI: 10.1002/adma.202003437 Catherine E Graves 1 , Can Li 1 , Xia Sheng 1 , Darrin Miller 2 , Jim Ignowski 2 , Lennie Kiyama 1 , John Paul Strachan 1
Affiliation
|
The dramatic rise of data‐intensive workloads has revived application‐specific computational hardware for continuing speed and power improvements, frequently achieved by limiting data movement and implementing “in‐memory computation”. However, conventional complementary metal oxide semiconductor (CMOS) circuit designs can still suffer low power efficiency, motivating designs leveraging nonvolatile resistive random access memory (ReRAM), and with many studies focusing on crossbar circuit architectures. Another circuit primitive—content addressable memory (CAM)—shows great promise for mapping a diverse range of computational models for in‐memory computation, with recent ReRAM–CAM designs proposed but few experimentally demonstrated. Here, programming and control of memristors across an 86 × 12 memristor ternary CAM (TCAM) array integrated with CMOS are demonstrated, and parameter tradeoffs for optimizing speed and search margin are evaluated. In addition to smaller area, this memristor TCAM results in significantly lower power due to very low programmable conductance states, motivating CAM use in a wider range of computational applications than conventional TCAMs are confined to today. Finally, the first experimental demonstration of two computational models in memristor TCAM arrays is reported: regular expression matching in a finite state machine for network security intrusion detection and definable inexact pattern matching in a Levenshtein automata for genomic sequencing.
中文翻译：
具有忆阻器内容的可寻址内存，用于模式匹配。
数据密集型工作负载的急剧增加已经恢复了特定于应用程序的计算硬件，以实现持续的速度和功耗提升，这通常是通过限制数据移动并实现“内存中计算”来实现的。然而，常规的互补金属氧化物半导体（CMOS）电路设计仍然会遭受低功率效率的困扰，从而激发了利用非易失性电阻随机存取存储器（ReRAM）进行设计的动机，并且许多研究都集中在交叉开关电路架构上。另一个电路原语-内容可寻址存储器（CAM）–展示了映射多种计算模型进行内存计算的巨大希望，最近提出了ReRAM–CAM设计，但很少有实验证明。这里，演示了集成有CMOS的86×12忆阻三元CAM（TCAM）阵列上忆阻器的编程和控制，并评估了优化速度和搜索裕度的参数折衷方案。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态非常低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态极低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态非常低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。
更新日期：2020-09-15
中文翻译：
具有忆阻器内容的可寻址内存，用于模式匹配。
数据密集型工作负载的急剧增加已经恢复了特定于应用程序的计算硬件，以实现持续的速度和功耗提升，这通常是通过限制数据移动并实现“内存中计算”来实现的。然而，常规的互补金属氧化物半导体（CMOS）电路设计仍然会遭受低功率效率的困扰，从而激发了利用非易失性电阻随机存取存储器（ReRAM）进行设计的动机，并且许多研究都集中在交叉开关电路架构上。另一个电路原语-内容可寻址存储器（CAM）–展示了映射多种计算模型进行内存计算的巨大希望，最近提出了ReRAM–CAM设计，但很少有实验证明。这里，演示了集成有CMOS的86×12忆阻三元CAM（TCAM）阵列上忆阻器的编程和控制，并评估了优化速度和搜索裕度的参数折衷方案。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态非常低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态极低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。除了面积更小之外，由于忆阻器TCAM的可编程电导率状态非常低，其忆阻器的功耗也大大降低，与传统的TCAM相比，促使CAM在更广泛的计算应用中使用。最后，报告了忆阻器TCAM阵列中两个计算模型的首次实验演示：用于网络安全入侵检测的有限状态机中的正则表达式匹配和用于基因组测序的Levenshtein自动机中可定义的不精确模式匹配。
京公网安备 11010802027423号