Ferroelectric Digital In-Memory Computing for Scalable, Reliable, and Efficient Similarity Computation
Rattachement africain : de, in. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Classification-based learning in deep neural networks, particularly few-shot learning, demands efficient similarity metrics such as Hamming distance. Conventional architectures suffer from high energy overheads due to frequent data movement between memory and processing units, hindering scalability. In-memory computing addresses this by integrating computation within memory, yet analog-based systems rely on power-hungry analog-to-digital converters (ADCs) and face scalability challenges due to device variability, especially in emerging memories. This work presents a fully digital Ferroelectric FET (FeFET)-based Logic-in-Memory (LiM) XOR cell, designed using GlobalFoundries’ 28 nm technology, eliminating ADCs and ensuring robust, energy-efficient, and scalable operation. Our 2T FeFET XOR cell, applied to 4096-bit Hamming distance calculations, achieves$23\times $lower energy,$3\times $faster latency, and$14\times $area reduction over state-of-the-art designs. Delivering 2337 Gsamples/(s$\cdot $W$\cdot $mm2) — a$300\times $improvement — this architecture offers a compelling solution for energy-efficient, reliable, and scalable AI hardware, driving sustainable computing.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Ferroelectric Digital In-Memory Computing for Scalable, Reliable, and Efficient Similarity Computation
- Date Crossref
- 01/02/2026
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Technical University of Munich Chair of AI Processor Design pays non établi dans la noticeUniversité ou école supérieure
-
GlobalFoundries (Germany) pays non établi dans la noticeEntreprise
-
Indian Institute of Technology Kanpur pays non établi dans la noticeUniversité ou école supérieure
-
GlobalFoundries Dresden Module One LLC & pays non établi dans la noticeInstitution
Chair of AI Processor Design — Technical University of Munich, GlobalFoundries (Germany) et Indian Institute of Technology Kanpur, avec 1 autre affiliation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.