메쉬 타입 백금 플로팅 게이트를 활용한 뉴로모픽 시냅스 소자 연구

정소연, 김재민, 채형진, 구태환, 채주영, 장문규,, New Physics: Sae Mulli 74, 1005 (2024).

다가오는 AI시대에 발맞춰 효율적으로 데이터를 처리하고 활용하기 위해 뉴로모픽 반도체 시스템이 떠오르고 있는 추세이다. 기존 폰노이만 컴퓨팅의 경우 메모리 안에 프로그램과 데이터를 CPU로 전달만 하면 되기 때문에 실용성과 범용성이 향상되었다. 그러나 이 방식은 데이터 처리량의 증가에 따른 폰노이만 병목현상을 야기한다. 순차적으로 명령을 수행하기 때문에 값을 변경하는 과정이 오래 걸려 전체 컴퓨터의 속도가 느려지는 단점이 존재한다. 따라서 인간의 뉴런과 시냅스를 모방한 뉴로모픽 시스템을 사용한다면 병렬처리 기반의 동작이 가능해지며, 저전력 및 높은 속도의 소자를 구현할 수 있다. 그중 플래시메모리는 전하의 저장 공간인 플로팅 게이트를 통해 다양한 시냅틱 거동 표현이 가능하여 이전부터 폭넓게 사용되며 주목받고 있다. 큰 메모리 윈도우, 높은 셀 밀도, 안정적인 스위칭 특성과 시냅스 가중치라 불리는 출력 신호의 변화를 통해 학습과 기억 기능을 구현함으로써 생체 내 시냅스 특성의 모사가 가능하다는 장점을 가진다. 

본 연구에서는 메쉬 타입의 플로팅 게이트 기반의 소자를 제작하고 전기적인 특성을 분석하였다. 큰 선폭을 가지는 단일 플로팅 게이트는 일부가 형성되지 않으면, 균일성이 떨어져 누설전류의 발생률이 커진다. 반대로, 작은 선폭을 가지는 단일 플로팅 게이트는 일부가 손상되어도 누설전류의 발생률을 낮출 수 있다. 실험에 사용된 컨택얼라이너가 형성할 수 있는 최소 선폭은 3 μm이기 때문에 이를 단일 플로팅 게이트의 크기로 설정하였고, 메쉬 타입으로 배열하여 플로팅 게이트로 나타내었다. 소자의 이레이즈 동작은 플로팅 게이트에 저장된 전하들이 빠져나가면서 전류의 흐름이 증가되므로 시냅스 강화를 나타내며 프로그램 동작은 전하들이 플로팅 게이트에 채워질수록 전류의 흐름이 감소하므로 시냅스 약화로 표현된다. 제작된 소자를 기반으로 정전용량-전압 그래프를 통해 시냅스 강화와 시냅스 약화를 다중 레벨로 표현하면서 시냅스 연결강도를 나타내었다. 또한, 반복성과 재현성, 내구성을 통해 높은 유지력을 가진 소자인 것을 알 수 있으며 메모리 윈도우 확장 및 세분화된 시냅스 가중치의 완성을 통해 복잡한 신경 네트워크를 이루는 뉴로모픽 소자로써 발전할 수 있는 가능성을 제시하였다. 더 나아가 소비전력을 낮추고 세분화된 출력 신호의 변화를 나타내기 위해 시냅스 트랜지스터를 개발하고 다중 시냅스 어레이 소자로 동작시킬 계획이다.

유효 저장소 맞춤: 기계 학습 접근법

김태웅, 고아라, New Physics: Sae Mulli 74, 1072 (2024).

▲ 유효 저장소 맞춤 과정 모식도.

본문동적 평균장 이론은 많은 입자들이 서로 상호작용하여 각각의 입자를 개별적으로 분석하는 것이 현실적으로 불가능할 때 쓰이는 일종의 근사법이다. 거칠게 설명하자면 제자리에 국한된 상호작용은 정확하게 다루되, 먼 거리에 관련된 것은 무시하거나 그 평균적인 거동을 추출하는 방법이라고 할 수 있다. 제자리에 국한된 상호작용이라도 여러 입자를 얽히게 만들기 때문에, 간결하게 다듬어낸 문제를 푸는 데에도 세심한 접근방법이 필 요하다. 구체적으로는 주어진 계를 근사하여 구축한 앤더슨 불순물 모형을 풀어 그린함수를 얻은 뒤, 그로부터 계산된 자체에너지로 근사 이전의 원본 문제의 해를 구현할 수 있다고 가정하는 것이다. 동적 평균장 이론에서 계산자원을 가장 많이 사용하는 부분은 불순물 모형의 그린함수를 구하는 과정이지만, 그 불순물 모형을 구축하는 과정에서 먼 거리에 얽힌 많은 자유도를 효율적으로 압축하여 유효 환경을 추출하는 과정도 상당히 까다롭다. 추출 과정에서 최적화해야 하는 비용함수가 혼성함수 사이의 거리 제곱으로 주어지는데, 혼성함수 자체가 단순 극점을 여럿 포함한 비선형 함수이기 때문이다. 이 비용함수는 저장소 변수들로 이루어진 시도 혼성함수가 불순물 모형의 환경을 기술하는 목적 혼성함수를 최대한 비슷하게 재현할 때 최솟값을 가지도록 설계한다. 보통 켤레 기울기 방법 따위의 경사 하강법을 이용해서 최적 값을 뽑아내는데, 초기조건에 따라 부적절한 값을 얻거나 과도하게 많은 계산자원을 소모할 수 있다는 단점이 있다.

본문이 연구에서는 혼성함수 계산의 특징, 즉 혼성함수에서 저장소 변수를 추출하는 것은 어렵지만 거꾸로 저장소 변수로부터 혼성함수를 계산하는 것은 단순히 사칙연산의 조합에 불과하다는 사실에 착안하여 기계학습 방법론을 적용하고 있다. 상대적으로 쉬운 과정, 즉 저장소 변수를 다양하게 생성한 뒤 각각에 대해 혼성함수를 계산하는 과정을 충분히 반복한 뒤, 이 결과를 자료집합으로 활용하여 기계학습 모형을 훈련시키는 것이다. 연구 결과는 절반의 성공이라 할 수 있는데, 저장소 변수가 규칙성을 가질 때에는 훈련된 기계학습 모형이 정답과 충분히 가까운 결과를 도출했지만, 완전한 무작위 숫자를 허용했을 때에는 테라바이트에 육박하는 크기의 자료집합으로도 유효한 결과를 얻어내지 못했기 때문이다. 따라서 향후 후속연구를 통해 특정 격자구조에 대상을 국한시킬 경우 성능향상이 가능한지를 집중적으로 조사하여 기존 계산방법을 개선하는 데 활용할 계획이다.