- 수소 열처리 기반 자가 정류 RRAM 제시… 시냅스 가중치 유지력 한계 극복
- 안정적인 다중 시냅스 가중치 구현… 트랜스포머 기반 음성 인식 분류 정확도 확보
- 국제 학술지 ‘Advanced Science(IF=14.1)’에 연구 성과 게재

▲ 왼쪽부터 동국대 김성준 교수, 주서현 석사과정생

동국대학교(총장 윤재웅)는 본교 전자전기공학부 김성준 교수, 주서현 석사과정생과 서울시립대학교 전자전기컴퓨터공학과 김윤 교수, 이선정, 이원주 박사과정생으로 구성된 공동연구팀이 수소 열처리 기반 저항성 메모리(RRAM) 소자에 정밀 펄스 프로그래밍 기법을 적용해, 트랜스포머 기반 음성 인식에 활용 가능한 RRAM 소자를 개발하는 데 성공했다고 밝혔다.

이번 연구 결과는 「Hydrogen-Stabilized Self-Rectifying Memristor Arrays for Reliable Multilevel Synapses in Transformer-Based Keyword Spotting」라는 제목으로 국제 학술지 「Advanced Science (IF=14.1)」에 2026년 온라인 게재됐다.

기존 자가 정류 RRAM은 시간이 지남에 따라 전도도가 감소해 뉴로모픽 연산에 필요한 다중 시냅스 가중치를 안정적으로 유지하는 데 한계가 있었다. 공동연구팀은 HfO2/TiOx 기반 자가 정류 RRAM에 수소 열처리와 'ISPVA(Incremental Step Pulse with Verify Algorithm)‘ 기법을 적용해 문제를 해결했다.

연구팀은 HfO2/TiOx 박막 내부의 산소 공공과 관련된 결함을 수소 열처리로 안정화하고, 시간이 지남에 따라 전도도가 감소하는 현상을 억제하는 자가 정류 RRAM을 제안했다. ISPVA 기법을 적용하면서 안정적인 저항 상태와 향상된 데이터 유지 특성을 확보하고, 최대 64개의 구분 가능한 전도도 상태를 구현해 아날로그 시냅스 가중치의 정밀한 구현을 가능하게 했다.

연구팀이 측정한 소자의 6비트 가중치와 소자 편차를 트랜스포머 기반 음성 명령어 인식 모델에 반영한 결과, 실제 소자의 비이상성을 고려한 환경에서도 35개 음성 명령어 분류에서 92.5%의 인식 정확도를 달성했다. 이상적인 32비트 모델에 근접한 안정적인 인식 성능을 보여주며, 트랜스포머 기반 뉴로모픽 연산 소자로서의 활용 가능성을 보여줬다.

이번 연구는 수소 열처리와 정밀 펄스 프로그래밍을 통해 RRAM의 다중 전도도 상태와 데이터 유지 특성을 개선하고, 소자 성능 향상이 실제 트랜스포머 기반 음성 인식으로 이어질 수 있음을 보여준 사례다. 향후 저전력 엣지 AI, 음성 인식, 인메모리 컴퓨팅 및 뉴로모픽 반도체 분야에 활용될 수 있을 것으로 기대를 모은다.

김성준 교수는 “이번 연구는 수소 열처리와 정밀 펄스 프로그래밍을 통해 RRAM의 다중 전도도 상태를 안정화하고, 이를 트랜스포머 기반 음성 인식 연산에 직접 연결한 결과”라며, “기존 순환신경망 중심의 RRAM 응용을 넘어 트랜스포머 모델에 적용 가능한 시냅스 소자를 제시했다는 점에서 의미가 있다”고 전했다. 이어 “공동연구진의 협력을 통해 소자 설계와 분석부터 트랜스포머 기반 시스템 평가까지 연구의 완성도를 높일 수 있었다”고 덧붙였다.

한편, 이번 연구는 과학기술정보통신부가 지원하는 한국연구재단(NRF) 사업과 교육부·서울시가 지원하는 지역혁신중심 대학지원체계(RISE)의 지원을 받아 수행됐다.