특집
소금에서 나노소자까지 100년
강유전체 메모리의 르네상스: 게임체인저가 될 수 있을까?
작성자 : 박민혁 ㅣ 등록일 : 2021-09-08 ㅣ 조회수 : 18,837 ㅣ DOI : 10.3938/PhiT.30.028
박민혁 교수는 2014년 서울대학교에서 재료공학으로 공학 박사 학위를 취득한 이후 동 기관에서 박사후 연구원으로 근무하였으며, 2015년부터 독일 드레스덴 공과대학의 Nanoelectronic Materials Laboratory에서 박사후 연구원, 2018년부터 부산대학교 재료공학부에서 교수로 재직한 후, 2021년 9월부터 서울대학교 재료공학부 교수로 재직 중이다. 강유전체 산화물을 이용한 반도체 소자 응용 및 에너지 소자 응용에 대해서 주로 연구하고 있다. (minhyuk.park@snu.ac.kr)
Renaissance of Ferroelectric Memories: Can They Be a Game-changer?
Min Hyuk PARK
Ferroelectric memories have been studied for ∼60 years since their first suggestion in 1952. The material properties of ferroelectrics are considered ideal for universal memories with the availability of electrical program/erase and read processes. However, challenges in the physical scaling down of bulk ferroelectric materials were a critical hurdle for the success of ferroelectric materials. In 2011, ferroelectricity in HfO2-based thin film was first reported, and this unexpected discovery revived research on ferroelectric memories. In this review, the properties, history, and applications of HfO2-based ferroelectrics are reviewed, and a perspective on semiconductor devices based on them is provided.
들어가며
반도체 산업은 2020년 수출액 기준 비율 1위인 대한민국의 주력 산업이며, 2020년 매출액 기준 반도체 제조사 중 2위와 3위에 삼성전자와 SK-하이닉스가 있을 만큼 세계 시장을 주도하고 있는 산업 분야이다. 2019년 한일무역분쟁을 거치면서 국내 반도체 산업에 대한 전 국민적인 관심이 더 커지게 되었으며, 2021년 미국의 바이든 대통령이 반도체 산업을 단순한 경제적인 문제가 아닌 국가 안보와 직결된 문제로 인식하고 있음을 공개적으로 보여주면서 반도체 산업에 대한 국제적인 관심과 경쟁은 보다 심화되고 있다. 현재 양산되고 있는 반도체 제품들은 수 nm 선폭의 공정이 도입될 만큼 모든 산업 분야를 통틀어도 가장 정밀한 미세 공정을 바탕으로 하고 있는 최첨단 산업분야이기도 하다. 하지만, 그럼에도 반도체 산업 내에서는 보다 고성능, 정보 고집적도를 달성하기 위한 기술 개발이 끊임없이 이루어지고 있으며, 치열한 국제 경쟁이 이루어지고 있는 분야이다. 4차 산업혁명과 함께 인공지능, 빅데이터, 사물인터넷, 자율주행차 등의 핵심 기술들은 정보의 양과 반도체 소자의 수요를 폭발적으로 증가시키고 있다. 인공지능과 관련된 기술들은 기존 반도체 하드웨어를 바탕으로 한 소프트웨어 측면의 접근에서 이미 눈부신 발전을 거두고 있으며, 더 나아가 하드웨어 개선을 통한 보다 미래지향적인 접근 또한 활발히 이루어지고 있다. 이러한 시대적 흐름 속에 한때 반도체 산업계의 큰 관심을 끌다 잊혀진 강유전체 메모리 역시 반도체 산업의 양산 제품에 이미 활용되는 소재인 산화하프늄 내의 강유전성의 발견과 함께 새로운 르네상스를 맞이하고 있다. 본 리뷰에서는 강유전체 메모리의 특성, 발전, 전망 등을 소재 및 소자 중심의 시각으로 간략히 리뷰하고자 한다.
서 론
강유전체의 자발적 분극은 양과 음의 임계 전계(coercive field) 이상의 충분한 전계를 가함으로 바꿀 수 있고, 그 상태는 인접한 금속, 반도체 등의 물질 내의 변화를 통해 전기적으로 읽는 것이 가능하다. 또한, 한 번 저장된 분극 상태는 전계를 제거한 상황에서도 유지된다. 즉, 정보의 전기적인 program, erase, read가 가능하며, 저장된 정보는 전원을 제거해도 비휘발성으로 유지되므로 반도체 메모리 소자에 이상적인 특징을 가진다. 그렇기 때문에 강유전체 메모리는 1952년 처음 1 transistor-1 capacitor 형태의 ferroelectric random-access-memory (FeRAM)이 제안되었다.1) 이후, 1 transistor의 cell을 활용하여 더 높은 정보저장밀도를 구현할 수 있는 ferroelectric field-effect-transistor (FeFET),2) 수 nm 정도의 초박막을 활용하여 tunneling conductance 형태로 정보를 저장하는 ferroelectric tunnel junction (FTJ)3) 등의 소자가 제안되며 학계 및 산업계에서 큰 관심을 끌었다.
Fig. 1. Comparison of device properties of ferroelectric random-access-memory(FeRAM), ferroelectric field-effect-transistor (FeFET), and ferroelectric tunnel junction (FTJ).
상기 언급된 3가지의 강유전체 메모리의 모식도 및 특징이 [그림 1]에 정리되어 있으며, 각각의 소자는 고유의 장단점을 가지고 있다.4) 그림 1에서 볼 수 있듯이 FeRAM의 단위 셀은 transistor 1개와 capacitor 1개로 이루어져 있고, 캐패시터의 유전막에 강유전체가 사용되어 캐패시터 내에 잔류분극의 형태로 정보를 비휘발성으로 저장할 수 있다. 단위 셀이 2개의 소자로 이루어지고, 추가적인 plate line이 존재하여 집적도 측면에서 불리한 단점이 있다. 또한, 캐패시터에 저장된 정보를 읽기 위해서는 임계 전압 이상의 전압을 가해서 캐패시터의 스위칭 유무를 살펴야 하므로, 읽기 과정에서 기존 정보가 손실되는 destructive reading을 하게 되어 읽기 과정 이후에 refresh 과정이 필요하다. FeFET는 metal-oxide-semiconductor transistor (MOSFET)의 게이트산화물 자리에 강유전체를 넣기 때문에 단위 셀이 1개의 transistor로 이루어질 수 있어 집적도 측면에서 유리하며, 읽기 과정에서 기존 정보의 손실이 없이 비파괴적인 읽기가 가능하다. 하지만, 물리적으로 강유전체/반도체 계면에서 강유전체 표면의 분극을 반도체의 전하가 완벽히 compensating하지 못하며, 화학적으로 저유전율의 dead layer가 생성되어(Si channel의 경우 SiOx) depolarization field에 의한 retention의 한계가 있다. FTJ는 캐패시터 구조를 기반으로 한 2단자 소자로 집적도를 높일 수 있는 crossbar array의 적용이 가능하나, 수 nm 두께의 초박막을 활용하는 특징 때문에 대면적에서 uniformity, 신뢰성 등을 확보하는 것이 매우 어렵다. 또한, 실질적으로는 선택소자를 추가적으로 포함한 셀을 구성해야 sneak current 등의 외부 효과에 의한 disturbance를 막을 수 있다.
실제 개발된 FeRAM은 1987년의 국제전자소자회의(International Electron Device Meeting)라는 반도체 학회에서 512 bit의 용량 크기로 발표되었다.5) 이 발표 이후 1990년대에는, 주류 메모리반도체 생산업체인 삼성전자, SK-하이닉스, 도시바, 파나소닉 등에서도 진지하게 FeRAM에 대한 연구를 진행하고 test 단계의 chip을 만드는 것을 넘어 Niche market이기는 하지만 상용화까지 이루어졌다. 2000년 발매된 Sony의 Play Station 2의 memory card에 8 Mb의 FeRAM이 사용되기도 하였다. 하지만, FeRAM에 대한 연구는 2010년대에 들어와서는 연구 중심이 저항변화메모리, 상전이메모리, 자기메모리 등의 다른 차세대 소자로 옮겨가면서 강유전체 메모리의 주류 메모리 도입에 대한 연구는 거의 존폐의 위기에 놓였다고 할 수 있을 정도였다. International Technology Roadmap for Semiconductors에서도 FeRAM의 개발 내용이 emerging device에서 빠지게 되었다. 이렇게 타 메모리 소자와의 경쟁에서 밀리게 된 이유는 주로 강유전성 소재의 한계와 관련이 있었다. 기존 반도체 소자의 제작은 complimentary-metal-oxide-semiconductor (CMOS) 공정을 기반으로 하기 때문에, CMOS 공정과의 정합성은 필수적으로 차세대 소자가 갖추어야 한다. 하지만, Pb(Zr,Ti)O3, SrBi2Ta2O9 등의 기존 강유전체 소자들은 CMOS 공정과 높은 호환성을 가지기 어려웠다. 또한, 높은 정보저장밀도를 구현하기 위해서는 소자의 미세화가 필수적인데, 기존 강유전체 소재로는 90‒130 nm 이하의 technology node를 달성하는 것이 불가능하였다. 즉, 큰 부피를 가지는 벌크 형태나 비교적 두께가 두꺼운(100 nm 이상) 박막 형태에서는 우수한 특성을 보이던 소재들이 메모리반도체 소자에 필요한 수‒수십 nm의 두께의 초박막에서는 고유한 우수한 특성을 보이는 것이 어려웠다.
강유전성 산화하프늄: 소재 측면의 돌파구
Fig. 2. (a) Schemtic figure for unit cell of ferroelectric orthorhombic phase (left panel) and polarization-electric field and dielectric constant-electric field curves (right panels) of Si-doped HfO2 thin film reported in 2011. Reproduced from [6] with permission. Copyright 2011, American Institute of Physics. Changes in (b) annual number of publications and (c) annual number of citations on ferroelectric HfO2.
재료의 물성과 관련된 난관으로 기술적 진보가 어려운 상황에서 강유전체 메모리 연구의 소재 측면의 돌파구가 된 것이 바로 산화하프늄 기반 박막에서 발현되는 강유전성이었다. 2006년에 독일의 Qimonda라는 반도체 회사에서 처음으로 Si 도핑된 산화하프늄에서 강유전성이 발견되었다.6) 최초 발견은 의도치 않게 산화하프늄의 유전율을 높이기 위한 도핑 과정을 통해 이루어졌다.6) 도핑된 산화하프늄 박막에서 비선형적인 유전율의 변화가 관찰되었고, 이를 독일 아헨 공대의 연구 그룹과 함께 분석하여 강유전성에서 발현되었을 가능성이 높은 것을 확인하였다. 이후, Qimonda사는 안타깝게도 파산을 하게 되고, 2011년부터 Qimonda에서 진행된 연구들이 독일의 NaMLab, Fraunhofer IPMS-CNT, 아헨공대 등의 연구소와 대학을 통해서 발표되기 시작하였다.6) 2011년 처음 발표된 Si 도핑된 HfO2의 강유전성 orthorhombic phase(공간군: Pca21)의 unit cell 모식도(상부 패널)와 분극-전계, 정전용량-전계 이력곡선(하부 패널)이 [그림 2(a)]에 정리되어 있다.6) 초기에는 전기적으로 확인된 분극-전계 이력곡선이 강유전성에서 기인하는 것인지에 대한 논란도 많이 있었고, 이 결과를 신뢰하지 못하는 연구자들도 다수 있었다. 필자 역시 직접 실험으로 재현해 보기 전에는 본 연구 결과에 대해서 큰 의구심을 가지고 있었다. 더구나, 원자층증착법이라는 공정으로 형성된 다결정성 10 nm 이하 두께의 박막은 기존에 강유전성을 검증하던 다양한 물리적 분석 방법으로 검증되기에 매우 어려웠다. 이러한 특성 때문에 산화하프늄 강유전체를 이용한 소자 제작 및 성능 향상에 대한 연구는 매우 빠른 속도로 진행된 반면에 물리적 메커니즘에 대한 연구는 그에 비해 상대적으로 더디게 진행되는 측면이 있다.7)
그럼에도 불구하고 [그림 2(b)]와 (c)에서 볼 수 있듯이 다수의 연구그룹이 연구에 뛰어들어 10여 년의 짧은 역사에도 우수한 결과들이 발표 및 인용되고 있는 것은 메모리반도체에서 산화하프늄이라는 소재가 가지는 장점이 워낙 크기 때문일 것이다. 메모리반도체에서 가장 기본이 되는 소자는 metal-oxide-semiconductor field-effect-transistor (MOSFET)이다. 심지어, 메모리반도체의 발전을 그래프로 표시할 때 칩당 혹은 면적당 집적되는 MOSFET의 개수를 척도로 삼을 정도이다. 산화하프늄은 현재 메모리반도체 소자의 MOSFET의 gate oxide로 활용되는 소재이다. 2005년 Intel에서 기존 SiO2를 대체하여 Penryn이라는 processor에 처음으로 산화하프늄을 게이트산화물로 활용하였고, 이후 산화하프늄은 반도체 산업계에서 표준 재료로 활용되고 있다. 이러한 상용화된 소재에 수 %의 도핑과 추가적인 열처리를 통해서 강유전성을 유도할 수 있다는 것은 경제적인 측면에서 보았을 때 낮은 위험부담으로 큰 보상이 기대되는 방향이며, 특히 산업체에 매력적인 부분이다. 또한, 2020년에는 실험적, 이론적으로 강유전성 산화하프늄을 활용한 소자 미세화가 이상적으로는 내재적 제한이 없이 진행될 수 있다는 연구 결과들이 발표되기도 하였다.8)9) 이는 초고집적 정보 저장을 위한 메모리 소자에 이상적인 특성으로 강유전체 메모리의 잠재 가치를 더하고 있으며, 이러한 물리, 소재 측면의 기초연구와 더불어 강유전체 메모리 소자에 대한 연구 역시 정량적/정성적으로 발전하고 있다.
기존 컴퓨팅 기술의 한계와 뉴로모픽 컴퓨팅
Fig. 3. Schematic figures for (a) classical von-Neumann architecture and (b) memory hierachy.
강유전체 메모리의 현재 혹은 미래 컴퓨팅 기술 응용을 논하기 위해서는 현대 컴퓨터의 구조에 대한 이해가 선행되어야 한다. 현대 컴퓨터에 활용되는 폰 노이만 구조는 1945년에 수학자이자 물리학자인 존 폰 노이만이 제시한 구조로 [그림 3(a)]에서 볼 수 있듯이 연산/제어를 위한 processing unit과 정보 저장을 위한 memory unit이 분리되어 있다. 따라서, processing unit과 memory unit 사이에 data를 교환하기 위하여 bus가 활용되게 된다. [그림 3(b)]에서 볼 수 있듯이 메모리는 계층 구조를 가지고 있으며, 상위에 있는 계층일수록 속도가 빠른 대신 cost per bit이 높고 정보집적도가 낮은 특징을 가진다. 우선 FeFET의 사용을 고려할 수 있는 부분은 직관적으로 기존 memory unit에 포함되는 storage memory인 Flash, working memory인 DRAM 등의 소자를 대체하는 것일 것이다. 하지만 속도 측면에서 DRAM을 대체하는 것은 새로운 breakthrough 없이는 어려운 일이 될 가능성이 높다. 대신 Flash를 대체하여 속도, 동작전압, 에너지 효율 측면에서 향상된 정보 저장을 할 수 있는 차세대 storage memory로의 가능성을 타진하는 연구들이 꾸준히 진행되고 있다.10) 또한, 기존 working memory와 storage memory 사이에 이 둘의 중간 정도 성능 및 집적도를 가지는 emerging memory들을 storage class memory라 하는 새로운 계층으로 도입하는 것이 제시되었고, storage class memory 역시 강유전체 메모리가 폰 노이만 구조를 유지하면서 활용될 수 있는 분야이다.(그림 3(b) 우측 패널)
Fig. 4. Schematic figure for the development of neuromorphic computing.
지금보다 소자의 미세화, 고속화가 진행되지 않았던 과거에는 폰 노이만 구조 내에서 processing unit과 memory unit 사이의 data 교환이 속도나 에너지 효율 측면에서 큰 문제가 되지 않았으나, 최근 고성능의 컴퓨터에서는 data transfer 과정이 전체 컴퓨팅 속도의 병목현상을 일으키며 상당한 에너지 소모를 일으키고 있다. 이를 해결하기 위하여 궁극적으로는 인간의 신경계를 모방한 neuromorphic computing 기술이 활용될 것으로 보이며, 이 과정에서 몇 단계의 변화가 일어날 것으로 기대되고 있다. [그림 4]는 neuromorphic computing 발전의 3단계와 각 단계에서 활용되는 전자 소자의 요구사항을 간략히 정리한 그림이다. 1단계에서는 processing unit과 memory unit을 융합하는 processing-in-memory (PiM) 혹은 nonvolatile processor가 차세대 컴퓨팅 기술로 최근 활발히 연구되고 있다.11) 2단계에서는 artificial neural network (ANN)에 대한 연구가 이루어지며, 전자 소자 자체의 동작이 생물체의 신경계와 같지는 않지만 CMOS 기반의 소자로 유사한 동작원리를 구사하기 위한 컴퓨팅이 이루어진다. 3단계에서는 컴퓨팅 시스템의 동작이 뉴런과 시냅스로 구성된 생물체의 신경계를 모방하여 고에너지효율의 event-driven computing을 구현하는 spiking neural network가 활용될 것으로 기대된다. 이러한 neuromorphic computing 발전의 각 단계의 응용에 활용될 수 있는 대표적인 차세대 소자 중 하나로 강유전체 메모리가 큰 관심을 얻고 있다.
유전체 메모리의 미래 컴퓨팅 응용
우선 1단계의 PiM 등의 응용에서 그림 1에서 소개된 FeRAM, FeFET, FTJ 등의 강유전체 메모리 소자 중 현재 가장 활발히 연구되고 있는 소자는 FeFET라 할 수 있다. FeFET는 MOSFET과 동일한 구조를 가지나 기능면에서는 큰 차이를 보인다. MOSFET의 주요 기능 중 하나는 스위칭 역할이다. 즉, MOSFET의 게이트에 걸리는 전압에 따라서 반도체 채널을 통해 전류가 흐르거나 흐르지 않도록 제어하는 것이 가능하다. FeFET는 이러한 MOSFET의 스위치와 같은 역할에 추가로 스위치가 켜지는 전압이라 할 수 있는 문턱전압을 변화시키고 저장할 수 있는 기능을 가진다. 즉, FeFET의 게이트에 충분한 양이나 음의 전압을 가했을 때 문턱전압을 음과 양의 방향으로 변화시킬 수 있다. 이는 MOSFET의 스위치와 같은 역할 외에 정보를 저장하는 메모리의 역할을 동시에 수행할 수 있다는 것이다.
이러한 특성 때문에 강유전체 메모리는 PiM 응용에 유망한 소자 중 하나이며, PiM의 초기 기초적인 한 형태라 할 수 있는 logic-in-memory(LiM)의 응용에서 다양한 흥미로운 응용이 여러 연구 그룹에 의해서 제시되었다. Ferroelectric capacitor, FeFET 등의 소자가 모두 활용 가능하나, 본 논문에서는 FeFET의 활용의 간단한 예만 살펴보기로 한다. 다양한 방법으로 FeFET를 LiM에 응용하기 위한 다양한 연구는 Slezaseck 등의 2021년 발표된 book chapter12) 혹은 Datta 등이 Nature Electronics지에 발표한 Perspective11)에서 최근 종합적으로 동향과 전망이 리뷰되었으며, 본 리뷰에서는 그 중 최근 큰 관심을 얻고 있는 일부 예에 집중하기로 한다. Logic에는 input과 output으로 강유전체의 분극을 활용하거나 static noise margin을 증가시키기 위해 강유전체를 활용하는 방법 등이 있다. 이 중 첫 번째 방법인 강유전체 분극을 input으로 활용하여 ternary content addressable memory (TCAM)를 기존 기술에 비해 훨씬 적은 개수의 소자로 구현하는 방법이 선행 연구를 통해 제시되었으며, 이는 기존 CMOS 기반 기술 및 기타 emerging memory 기술들과 비교하였을 때에도 소자의 집적도, 성능, 경제성 측면에서 우위를 가질 수 있는 신기술로 큰 관심을 얻고 있다.12)
이 기술을 이해하기 위해서는 우선 content addressable memory (CAM)이라는 소자에 대해 이해할 필요가 있다. 보통 random access memory (RAM)는 특정 주소를 주면 그 위치의 정보를 읽어오는 방식으로 동작하지만, CAM은 RAM과 달리 특정 검색어를 주면 메모리 전체에서 해당 검색어를 검색하는 방식으로 동작을 한다. 그렇기 때문에 CAM은 고속 탐색이 필요한 응용에 유망한 특성을 가진다. CAM은 보통 0과 1의 두 가지 상태를 가질 수 있는 binary CAM (BCAM)이 가장 기본적인 형태이나 0, 1, X (don’t care)의 3가지 상태를 가지며 더 효율적인 동작이 가능한 Ternary CAM (TCAM)이 더 발전된 형태로 연구되고 있다. 하지만, 기존 CMOS 기술 기반으로는 상당히 많은 개수(TCAM의 경우 16개의 transistor가 필요한 것이 알려져 있다.)의 단위소자가 필요하여 정보 집적도의 측면에서 보았을 때에 달성할 수 있는 집적도가 상대적으로 낮다는 단점을 가지고 있다. 최근, 다양한 emerging memory 소자들을 활용하여 TCAM을 구성하는 소자의 개수를 줄이고자 하는 연구들이 활발히 이루어지고 있으며, 단 2개의 FeFET로 CAM을 구성하는 방법이 2019년에 처음 제시되었다. 강유전체 메모리 외의 다양한 emerging memory를 활용해서도 집적도, 에너지 효율을 크게 향상시킨 TCAM을 구현할 수 있는 방안이 제시되었으나, 2개의 FeFET를 활용한 TCAM cell은 기존의 어느 기술과 비교하더라도 집적도 및 에너지 효율 측면에서 우위를 점할 수 있는 기술이다.13)14)
비휘발성 프로세서는 최근 환경문제 및 에너지 부족 현상 속에서 미래의 핵심 기술인 신재생 에너지 기술과 결합했을 때 더 큰 시너지를 발휘할 수 있는 기술이다. 신재생 에너지의 경우 태양광, 지열, 풍력, 파력, 기계적 진동 등 다양한 자연의 다른 형태의 에너지를 활용하다 보니, 연속적으로 같은 양의 전기에너지를 생산하기는 어렵다. 따라서, 신재생에너지원을 직접 활용하는 컴퓨팅 시스템에 기존 컴퓨팅 방식을 그대로 활용한다면, 전원 공급이 끊겼을 때에 진행 중인 컴퓨팅은 멈추고 원점으로 돌아가게 될 것이고, 다시 전원이 공급되어도 처음부터 작업을 다시 시작해야 한다. 하지만, 비휘발성 프로세서를 활용한다면 컴퓨팅 도중에 전원 공급이 끊기더라도 비휘발성으로 저장되어 있는 정보를 바탕으로 다시 전원이 공급되었을 때 기존 수행된 작업을 이어서 진행할 수 있다. 쉽게 말해, PiM이 메모리에 processing 기능을 가지고 있는 것이라면 비휘발성 프로세서는 프로세서가 메모리 기능을 가지고 있는 것이라 할 수 있다.
PiM이나 비휘발성 프로세서보다 더 미래의 컴퓨팅 기술로는 생물체의 신경계를 모방한 뉴로모픽 컴퓨팅이 활발히 연구되고 있다. 뉴로모픽 컴퓨팅은 고전적인 폰 노이만 구조에서 벗어나 뉴런과 시냅스로 이루어진 생물체의 신경계를 모방하며, 그림 4의 2,3단계의 ANN 및 SNN이 뉴로모픽 컴퓨팅에 해당한다. 현재는 기존의 CMOS 기반 기술을 활용한 artificial neural network (ANN)에 대한 연구가 중점적으로 이루어지고 있으며, SNN의 연구는 아직 기초 연구의 단계에 머무르고 있다. 1단계의 PiM은 여전히 digital memory 기반인 반면에 뉴로모픽 컴퓨팅에서는 analog memory가 활용되게 된다. 이러한 변화는 강유전체 메모리의 활용에서도 선호되는 강유전체의 물성이 다르다는 것을 의미한다. 디지털 메모리로 활용될 때는 명확하게 구분되는 2가지의 0과 1의 상태를 높은 신뢰도와 집적도로 만드는 것이 중요했다. 하지만, 아날로그 메모리로 활용되는 강유전체 메모리에서는 다양한 분극 상태를 안정적으로 구현하는 것이 필요하며, 오히려 구현할 수 있는 분극 상태가 많은 것이 선호된다.
ANN의 단계에서도 FeFET 등의 소자가 활용될 수 있는 부분이 존재하며, 대표적인 예로는 deep neural network (DNN)의 하드웨어 가속기의 weight cell 같은 것을 들 수 있다. DNN은 input layer와 output layer 사이의 hidden layer가 2층 이상 존재하는 ANN을 의미한다. DNN의 hidden layer의 개수가 증가할수록 필요한 연산의 양이 기하급수적으로 증가하므로 기존의 순차적인 연산을 하는 프로세서를 활용해서는 연산속도나 에너지 측면의 효율이 매우 떨어지게 된다. 이를 극복하기 위하여 간단한 곱연산을 다수의 코어에서 병렬로 수행할 수 있는 하드웨어 가속기가 DNN을 실현하기 위해 유용하다. 하드웨어 가속기의 웨이트 셀에는 다수의 weight level을 저장할 수 있는 weight cell이 필요하게 되며, weight cell은 선형적, 대칭적으로 potentiation과 depression을 할 수 있는 특징이 필요하다. 강유전체 재료의 입장에서는 potentiation/depression이 점진적인 분극 상태의 변화에 해당하는 것으로 볼 수 있으며, FeFET나 FTJ와 같은 소자에서는 강유전체 분극의 점진적인 변화는 반도체 채널의 conductance 혹은 tunneling conductance의 점진적 변화로 이어져 다양한 conductance 상태를 weight 값으로 활용할 수 있다.
하지만, 에너지 효율을 더욱 향상시킨 컴퓨팅을 위해서는 실제 신경계와 유사한 action potential 형태의 전기 신호 및 event-driven computing 방식을 활용할 수 있는 spiking neural network (SNN)을 구현하는 것이 필요하다. SNN에서는 신경계의 action potential과 같은 spike 형태의 전기 펄스로 input과 output signal이 생성되어 뉴런이나 시냅스 소자 간 이동하게 되며, 이러한 pulse에 의해서 단위소자들이 활성화되기 때문에 원칙적으로 에너지 효율 측면에서 2단계의 ANN에 비해서 훨씬 고효율의 컴퓨팅을 할 수 있다. 하지만, 기존 컴퓨팅 시스템의 동작 방식과 완전히 다른 동작이 필요하다 보니, SNN을 실제 동작시키는 부분에 있어서 새로운 접근이 필요하며 이에 대한 연구가 필요한 상황이다. SNN의 구동 방식은 본 고의 논점에서 벗어나므로 SNN의 단위 소자인 인공 뉴런 혹은 인공 시냅스를 FeFET로 구현하기 위한 연구의 현재 진행상황에 논점을 맞추어 리뷰하고자 한다.
Fig. 5. (a) Device scheme, (b) cross-sectional TEM image, and (c) integrate-and-fire behavior of 28 nm channel length Neural FeFET reported by Mulaosmanovic et al. Reproduced from [17] under the terms of Creative Commons Attribution 4.0 license. (d) Device scheme, (e) potentiation/depression scheme, and (f) gradual modulation of conductance during potentiation/depression of synaptic ferroelectric thin film transistor with IGZO channel. Reproduced from [18] with permission. Copyright 2018, American Chemical Society.
우선 FeFET를 활용한 인공 뉴런 소자는 Mulaosmanovic 등에 의해 HfO2 강유전체 기반으로는 처음 제시되었으며,15) Dutta 등의 논문을 바탕으로 살펴보고자 한다.16) [그림 5](a), (b), (c)는 각각 뉴런과 유사한 integrate-and-fire 거동을 보이는 FeFET 소자의 모식도, 투과전자현미경(transmission electron microscopy, TEM)으로 관찰된 FeFET 소자의 단면 이미지, 반복적으로 유입되는 action potential의 개수에 대한 integrate-and-fire 거동 관찰 결과를 보여준다. 그림 5(a), (b)에서 볼 수 있듯이 Mulaosmanovic 등의 연구에서는 약 30 nm의 channel 길이를 가지는 FeFET가 활용되었으며, Si:HfO2 강유전체 박막을 gate oxide로 활용하였다.15) 그림 5(c)에서 볼 수 있듯이 인공 뉴런에 요구되는 특성인 integrate-and-fire 거동을 확인하기 위하여 분극을 반전시키기 위해 필요한 전계인 coercive field보다 낮은 전계 값을 가지는 electric pulse를 action potential로 활용하였다.16) 한 번의 pulse로는 드레인 전류(drain current, ID) 값에서 의미 있는 변화를 일으킬 수 없으나, 그림 5(c)에서 볼 수 있듯이 충분한 개수의 pulse를 gate에 가하게 되면 FeFET의 turn-on이 나타나게 된다.16) 즉, 인공 뉴런 소자에 요구되는 integrate-and-fire 거동이 확인된다. 실제 인공 뉴런 소자에 적합한 특성이 보이기 위해서는 추가로 spike 형태로 output을 내보낼 수 있는 회로와 leaky한 특성을 보이는 점이 요구되나, 인공 뉴런 소자의 핵심 특성인 integrate-and-fire 거동을 보일 수 있는 것으로도 큰 의미가 있는 결과라 할 수 있다. Mulaosmanovic 등은 이러한 특성이 나타날 수 있는 이유를 강유전체 특유의 stochastic nucleation에 의한 것으로 설명하였다.15)
또 다른 SNN의 핵심 소자는 인공 시냅스이다. Emerging memory를 기반으로 한 인공 시냅스에 대한 연구는 인공 뉴런을 활용한 소자에 비해서 상대적으로 더 활발히 이루어졌다. 인공 시냅스에서 요구되는 특성은 상기 언급되었듯이 다양한 conductance 상태를 만드는 것이다. 이러한 특성은 저항변화 메모리, 상전이 메모리, 플래쉬 메모리 등의 다양한 소자에서 구현이 가능한 특징이기도 하며, FeFET나 FTJ와 같은 강유전체 메모리에서도 구현 가능하다. 그림 5(d),(e),(f)는 Kim 등이 보고한 In-Ga-Zn-O 반도체 채널을 사용하고 Hf0.5Zr0.5O2 강유전체 박막을 게이트 산화물로 활용한 ferroelectric thin film transistor의 모식도, potentiation/depression의 pulse scheme, potentiation/depression의 점진적인 conductance 변화를 각각 보여준다.17) 이상적으로는 potentiation/depression의 과정에서 동일한 pulse를 반복적으로 사용하여 선형적, 대칭적인 conductance 변화를 일으킬 수 있는 소자가 인공 시냅스용 소자로 선호된다. 하지만, emerging memory를 활용한 다수의 소자에서 그림 5(e)에서 볼 수 있는 incremental pulse scheme이 주로 사용되며, identical pulse로 동작할 수 있는 결과들이 종종 보고된다. 강유전체 메모리에서도 마찬가지로 incremental pulse scheme을 활용하였을 때 선형적, 대칭적인 potentiation/depression이 잘 나타나는 것으로 보고되고 있다. Kim 등의 논문에서도 incremental pulse scheme을 활용하여 그림 5(f)에 있는 것과 같은 conductance의 32개 상태를 거치는 점진적인 potentiation/depression을 구현하는 데에 성공하였다. Seo 등은 junctionless ferroelectric FinFET 소자를 제작하여 identical pulse scheme을 활용해 32개의 state를 가지는 시냅스 거동을 구현하였다.18) 이 결과는 초고집적된 시스템에 적합한 ferroelectric junctionless FinFET이 인공 시냅스 소자로 활용될 수 있다는 것을 실험적으로 증명한 의미를 가진다.18) FeFET 외에도 FTJ를 활용한 시냅스 소자에 대한 연구 결과들도 다양한 연구 그룹에 의해서 꾸준히 보고되고 있다.19)20)21)22) 특히, 대한민국의 연구자들이 강유전체 메모리 분야를 선도하는 결과들을 꾸준히 발표하고 있음을 주목할 만하다.
맺음말 및 강유전체 메모리의 전망
이처럼 강유전체 메모리에 대한 연구는 산화하프늄 계열의 산업 친화적인 신소재 발견과 함께 소위 르네상스라 부를 만한 새로운 중흥의 시대를 맞이하고 있다. 하지만, 여전히 실용적인 메모리 소자로 상용화되기 위해서는 극복해야 할 문제도 많이 존재하고 있다. 초기 연구에서 FeFET 소자 특성의 가장 큰 이슈는 endurance와 연관되어 있었다.23)24)25)26) 기존에 FeFET 소자의 신뢰성 문제의 가장 결정적인 이슈인 retention에 있어서는 기존 강유전체에 비해 산화하프늄 계열 강유전체가 더 나은 특성을 보였고, 이는 상대적으로 높은 coercive field 값에서 기인하는 것으로 받아들여지고 있다.27) 하지만, 높은 coercive field로 인해 program/erase시에 강유전체/Si 계면의 SiOx 계면층에 매우 높은 전계가 걸리면서 charge trapping이나 interfacial trap generation 등에 의한 fatigue 현상이 강하게 나타나는 이유로 endurance 특성이 제한되었다.28) 하지만, 최근에는 이러한 문제를 계면에 고유전율 계면층을 활용하여 극복하는 연구들이 진행되면서, 최근 1010회의 endurance가 달성 가능함을 보여주는 연구 결과도 발표되었다.29) 즉, 단독적인 소자의 특성 차원에서의 연구는 상대적으로 짧은 역사에도 불구하고 인상적으로 발전하고 있다. 이는 이미 high-k metal gate에 대한 선행 연구 결과들을 기반으로 꾸준히 개선될 것으로 기대된다.
주목해야 할 또 다른 변화는 반도체 산업의 수요 변화와 관련된 것이다. 최근 Datta 등의 리뷰에서 제시되었듯이 이제 강유전체 메모리에 대한 연구는 이전처럼 universal memory를 만들거나 폰 노이만 구조에서의 한 계층을 완전히 대체하기 위한 연구에서 벗어나고 있다.11) 특히, 인공지능 기술의 발전은 범용 반도체를 팹리스 업체에서 설계해 주고 파운드리 업체를 통해 생산하여 고객들에게 전달하던 전통적인 방식에 급격한 변화를 가져오고 있다. 다수의 IT 기업들이 자신들의 필요에 최적화된 반도체칩을 직접 설계하기 시작하고, 이를 직접 파운드리 업체를 통해 생산하는 방식으로 전략을 개편하고 있다. 이는 앞으로 다양한 형태의 인공지능 반도체칩들이 다양한 업체들에 의해 설계되고 발표될 것임을 보여주고 있으며, 이러한 다양한 형태의 칩에는 다양한 소자들이 활용될 가능성이 매우 높다. FeFET 등의 강유전체 메모리 역시 인공지능 칩에 본 고에서 논하였던 것을 포함한 다양한 형태로 포함될 수 있다. 즉, 이전처럼 DRAM이나 Flash 같은 기존 컴퓨터 메모리를 FeFET로 대체하는 것이 아니라 embedded memory와 같은 보조적인 역할, 혹은 새로운 설계를 뒷받침할 수 있는 하나의 회로 요소로써 FeFET와 같은 강유전체 메모리가 활용될 수 있다는 것이다. 물론 다른 emerging memory device들도 같은 상황이지만, 기 상용화된 MOSFET과 동일한 구조에서 새로운 특성을 더할 수 있는 FeFET의 장점은 충분한 매력을 가지고 있다. 이 급격한 반도체 산업의 격변의 시기에 강유전체 메모리가 niche market을 벗어나 새로운 르네상스를 활짝 열 수 있을지 지켜볼 일이다.
- 각주
- 1)D. A. Buck, “Ferroelectrics for Digital Information Storage and Switching”, Report R-212, MIT, June (1952).
- 2)J. L. Moll and Y. Tarui, IEEE Transactions on Electron Devices 10(5), 338 (1963).
- 3)E. Y. Tsymbal and H. Kohlstedt, Science 313, 181 (2006).
- 4)H. Qiao, C. Wang, W. S. Choi, M. H. Park and Y. Kim, Materials Science and Engineering: R: Reports 145, 100622 (2021).
- 5)W. I. Kinney, W. Shepherd, W. Miller, J. Evans and R. Womack, presented at the 1987 International Electron Devices Meeting (1987).
- 6)T. S. Boescke, J. Muller, D. Brauhaus, U. Schroder and U. Bottger, Applied Physics Letters 99(10), 102903 (2011).
- 7)M. H. Park, Y. H. Lee, H. J. Kim, Y. J. Kim, T. Moon, K. D. Kim, J. Mueller, A. Kersch, U. Schroeder, T. Mikolajick and C. S. Hwang, Advanced Materials 27(11), 1811 (2015).
- 8)H.-J. Lee, M. Lee, K. Lee, J. Jo, H. Yang, Y. Kim, S. C. Chae, U. Waghmare and J. H. Lee, Science 369, 1343 (2020).
- 9)S. S. Cheema, D. Kwon, N. Shanker, R. dos Reis, S. L. Hsu, J. Xiao, H. G. Zhang, R. Wagner, A. Datar, M. R. McCarter, C. R. Serrao, A. K. Yadav, G. Karbasian, C. H. Hsu, A. J. Tan, L. C. Wang, V. Thakare, X. Zhang, A. Mehta, E. Karapetrova, R. V. Chopdekar, P. Shafer, E. Arenholz, C. M. Hu, R. Proksch, R. Ramesh, J. Ciston and S. Salahuddin, Nature 580, 478 (2020).
- 10)J. Van Houdt, presented at the 2017 IEEE International Memory Workshop (IMW).
- 11)A. I. Khan, A. Keshavarzi and S. Datta, Nature Electronics 3(10), 588 (2020).
- 12)E. T. Breyer and S. Slesazeck, in Ferroelectricity in Doped Hafnium Oxide: Materials, Properties and Devices, edited by U. Schroeder, C. S. Hwang and H. Funakubo (Woodhead Publishing, 2019), p. 495.
- 13)X. Yin, K. Ni, D. Reis, S. Datta, Michael Niemier and Xiaobo Sharon Hu, IEEE Transactions on Circuits and Systems II: Express Briefs 66(9), 1577 (2018).
- 14)K. Ni, X. Yin, A. Franchesca Laguna, S. Joshi, S. Duenkel, M. Trentzsch, J. Müller, S. Beyer, M. Niemier and X. Sharon Hu, Nature Electronics 2(11), 521 (2019).
- 15)H. Mulaosmanovic, E. Chicca, M. Bertele, T. Mikolajick and S. Slesazeck, Nanoscale 10(46), 21755 (2018).
- 16)S. Dutta, C. Schafer, J. Gomez, K. Ni, S. Joshi and S. Datta, Front. Neurosci. 14, 634 (2020).
- 17)M. Seo, M.-H. Kang, S.-B. Jeon, H. Bae, J. Hur, B. C. Jang, S. Yun, S. Cho, W.-K. Kim and M.-S. Kim, IEEE Electron Device Letters 39 (9), 1445 (2018).
- 18)M.-K. Kim and J.-S. Kim, Nano Lett. 19(3), 2044 (2019).
- 19)L. Chen, T.-Y. Wang, Y.-W. Dai, M.-Y. Cha, H. Zhu, Q.-Q. Sun, S.-J. Ding, P. Zhou, L. Chua and D. W. Zhang, Nanoscale 10 (33), 15826 (2018).
- 20)R. Guo, W. N. Lin, X. B. Yan, T. Venkatesan and J. S. Chen, Applied Physics Reviews 7(1), 011304 (2020).
- 21)B. Max, M. Hoffmann, H. Mulaosmanovic, S. Slesazeck and T. Mikolajick, ACS Applied Electronic Materials 2(12), 4023 (2020).
- 22)M. Si, Y. Luo, W. Chung, H. Bae, D. Zheng, J. Li, J. Qin, G. Qiu, S. Yu and P. D. Ye, presented at the 2019 IEEE International Electron Devices Meeting (IEDM), 2019.
- 23)T. Mikolajick, S. Slesazeck, M. H. Park and U. Schroeder, Mrs Bulletin 43(5), 340 (2018).
- 24)M. H. Park, Y. H. Lee, T. Mikolajick, U. Schroeder and C. S. Hwang, MRS Communications 8(3), 795 (2018).
- 25)J. Y. Park, K. Yang, D. H. Lee, S. H. Kim, Y. Lee, P. R. S. Reddy, J. L. Jones and M. H. Park, Journal of Applied Physics 128(24), 240904 (2020).
- 26)D. H. Lee, Y. Lee, K. Yang, J. Y. Park, S. H. Kim, P. R. S. Reddy, M. Materano, H. Mulaosmanovic, T. Mikolajick and J. L. Jones, Applied Physics Reviews 8(2), 021312 (2021).
- 27)N. Gong and T.-P. Ma, IEEE Electron Device Letters 37(9), 1123 (2016).
- 28)N. B. Gong and T. P. Ma, IEEE Electron Device Letters 39(1), 15 (2018).
- 29)A. J. Tan, Y.-H. Liao, L.-C. Wang, N. Shanker, J.-H. Bae, C. Hu and S. Salahuddin, IEEE Electron Device Letters 42(7), 994 (2021).