Ontwerp en optimalisatie van opkomende architecturen van niet-vluchtige geheugensystemen met behulp van machine learning-technieken

Als gevolg van onze toenemende afhankelijkheid van informatie tegenwoordig, zowel voor thuis- als persoonlijk gebruik, samen met zakelijke en professionele behoeften, worden er steeds meer gegevens gegenereerd, verwerkt, verplaatst, opgeslagen en in meerdere exemplaren voor langere tijd bewaard. Agressieve technologische schaalvergroting heeft ook beperkingen opgelegd aan de huidige geheugen- en gegevensopslagtechnologieën zoals SRAM, DRAM en Flash. Daarom worden momenteel verschillende nieuwe Non-Volatile Memory (NVM) -technologieën onderzocht om uiteindelijk te voldoen aan de behoefte aan continu hogere opslagcapaciteit en systeemprestaties, lager stroomverbruik, kleinere vormfactor, lagere systeemkosten en langdurige dataretentie. Resistive RAM (RRAM), Phase Change RAM (PC-RAM) en Magneto-Resistive RAM (MRAM) behoren tot de meer volwassen NVM-technologieën. Spin Orbit Torque MRAM, Domain Wall Memory, IGZO DRAM, etc. zijn enkele van de meer recente NVM's met interessante kenmerken. Het is echter geen goed idee om naïef de hele geheugenhiërarchie te vervangen door NVRAM. Elke technologie wordt geleverd met een aantal inherente gebreken, zoals een beperkt uithoudingsvermogen bij schrijven of een hoge latentie bij toegang, enz. Om dit probleem te verminderen, moet de architectuur van het geheugensysteem van het systeem-op-chip verschillende geheugengebieden combineren met verschillende kenmerken, met de gebruik van de juiste interfacetechnologieën. In dit doctoraatsproefschrift zullen de verschillende technologieën eerst worden vergeleken en geëvalueerd vanuit een systeemperspectief voor de beoogde platforms en toepassingsdomeinen. Zowel geheugenontwerpen als geheugeninterfaces moeten tegelijkertijd worden overwogen, omdat ze elk aanzienlijk bijdragen aan de prestaties, het vermogen en het gebied. Dit omvat ook het leggen van de basis voor een efficiënte vertaling tussen link hardware level abstractie (RTL) en systeemniveau abstractie (bijvoorbeeld gem5). Daarna kunnen veelbelovende technologie-architectuurcombinaties worden geoptimaliseerd door cruciale ontwerpparameters af te leiden met verschillende machine learning-technieken, zoals deep learning. Ook zal de kandidaat onderzoeken hoe machine learning kan helpen bij het oplossen van het probleem van gegevenstoewijzing in dergelijke complexe geheugensystemen. Dit doctoraat omvat meerdere abstractielagen en vereist nauwe interactie met circuitexperts, systeemarchitectuurexperts, machine learning-experts en software-experts.