Ein technisches Papier mit dem Titel “Retention-aware zero-shifting technique for Tiki-Taka algorithm-based analog deep learning accelerator” wurde von Forschern der Pohang University of Science and Technology, der Korea University und der Kyungpook National University veröffentlicht. In dem Papier wird die Herstellung von 4 K-Skalen elektrochemischen Random-Access-Speicher (ECRAM) Kreuzpunktmatrizen für einen analogen neuronalen Netzwerk-Trainingsbeschleuniger vorgestellt, sowie die elektrischen Eigenschaften einer 8 × 8 ECRAM-Matrix mit einer 100%igen Ausbeute, die hervorragende Schaltcharakteristiken, geringe Zyklus-zu-Zyklus- und Gerät-zu-Gerät-Variationen zeigt. Unter Nutzung der Fortschritte der ECRAM-Matrix wird in dem Papier deren Effektivität beim Training von neuronalen Netzwerken unter Verwendung des Tiki-Taka Version 2 Algorithmus (TTv2) für nicht-ideale analoge Speichergeräte hervorgehoben.
Das technische Papier kann hier gefunden werden und wurde im Juni 2024 veröffentlicht. Der Artikel wurde geschrieben von Kyungmi Noh et al. unter dem Titel “Retention-aware zero-shifting technique for Tiki-Taka algorithm-based analog deep learning accelerator” in Sci. Adv. 10, eadl3350 (2024) mit der DOI: 10.1126/sciadv.adl3350. Im Zusammenhang damit gewinnt die neuromorphe Technik zur effizienteren Ausführung von AI/ML-Code mit neuromorphen Engines zunehmend an Bedeutung, nachdem sie einst ein Modewort war, findet sie nun in der Halbleiterindustrie Anklang.