- 소자의 전기적 특성 활용… 스파이크 뉴럴 네트워크 적용 가능성 선보여 
- 김성준 교수, “고성능 AI 하드웨어 구현 가능성 보여줘… 차세대 AI 산업 적용 기대”
- ‘Nano Energy’에 연구 성과 게재(IF=17.1)

▲ 왼쪽부터 전자전기공학과 변용진 석사과정생(제1저자), 김기문 석사과정생(공동 제1저자), 김성준 교수(교신저자)

동국대학교(총장 윤재웅)는 전자전기공학과 변용진 석사과정생(제1저자), 김기문 석사과정생(공동 제1저자), 김성준 교수(교신저자), 고려대학교 지능형반도체공학과 김성준 교수(교신저자)로 구성된 연구팀이 산화알루미늄(Al2O3) 및 산화티타늄(TiOx) 박막 기반 저항변화 멤리스터 어레이를 개발했다고 발표했다.

해당 연구결과는 <Reset-dominant accurate synaptic weight mapping in passive memristor arrays for energy-efficient spiking neural networks>라는 제목으로 나노기술 분야 저명 국제 학술지 「Nano Energy (IF=17.1)」에 온라인 게재됐다. 이번 논문은 사전 학습된 SNN 모델의 가중치를 Al2O3 및 TiOx 박막 기반 멤리스터 어레이에 전사해 하드웨어 수준에서 높은 성능의 병렬 연산(In-memory computing)을 구현한 것으로, 차세대 AI 추론 가속기로서의 잠재성을 확인했다.

본 연구에서는 Al2O3 저항 변화층과 오버슛을 방지하는 TiOx 박막을 결합한 소자를 24×24 크기의 크로스바 어레이 형태로 집적했다. 또한, 어레이 소자에 사전 학습된 스파이크 뉴럴 네트워크(Spike Neural Network) 모델 가중치를 소자의 멀티 레벨 특성에 맞게 양자화한 뒤 정밀하게 전사하는 데 성공했다. 

개발된 저항변화 어레이는 멀티 레벨 특성을 바탕으로 20개의 저항 상태 프로그래밍이 가능하며, 낮은 동작전압 및 외부 전류 제한 회로에 의존하지 않는 안정적 저항 스위칭 동작 등 뉴로모픽 반도체 소자로서 높은 활용 가능성을 보여줬다.

또한, 연구팀은 어레이 상의 모든 멤리스터를 저저항 상태로 일괄 초기화한 후, 점진적인 리셋 과정을 통해 가중치를 정밀하게 전사하는 방식을 새로 제안했다. 이 과정에서 하드웨어 기반 AI 성능의 손실을 최소화하고 가중치 전사, 병렬 연산 특성 평가 등 복잡한 측정을 자동화하는 C++ 기반 측정 자동화 툴을 개발해 연구 효율을 높였다.

새로 개발한 방식은 기존 방식 대비 가중치 전사 오차가 65% 감소했으며, 추가적인 파인 튜닝을 통해 하드웨어 기반 AI 모델의 이미지 인식률을 41.05%에서 88.85%로 끌어올렸다. 연구팀은 “셋(set) 과정에서 소자에 흐르는 전류가 급격하게 변하는 것에 반해, 리셋(reset) 과정에서는 비교적 완만하게 변하는 전기적 특성에 착안했다”고 밝혔다.

김성준 교수는 “이번 연구는 변용진 학생과 김기문 학생이 정밀한 가중치 전사 방법을 고민해 창의적으로 문제를 해결한 성과”라며, “ALD(원자층 증착) 기술을 통해 Al2O3 박막 두께를 정확히 조절하고, 최적의 화학 조성비를 가진 오버슛 억제용 TiOx 박막을 개발한 것“이라고 전했다. 이어, ”연구 결과를 통해 차세대 뉴로모픽 반도체 및 AI 추론 가속기 개발에 핵심 역할을 할 수 있을 것”이라고 강조했다.

한편, 이번 연구는 한국연구재단 중견연구 사업 「축적컴퓨팅 구현을 위한 리텐션 조절 가능한 하프늄 기반 강유전체 소자 기술 및 수직적층 집적공정 개발」과 글로벌 기초연구실 「뉴로모픽 기술 기반 모빌리티 배터리 PHM 글로벌 기초연구실」의 지원을 받아 수행됐다.

※ 스파이크 뉴럴 네트워크(Spike Neural Networks) : 생물의 뉴런과 시냅스를 모방한 차세대 신경망. 이벤트 기반(event-driven)으로 필요할 때만 스파이크 신호로 연산을 수행해, 기존 방식에 비해 에너지 소비를 획기적으로 절감할 수 있다.