본문바로가기


지난호





|

특집

정부출연연구기관의 차세대 반도체 및 컴퓨팅 연구

2차원 소재기반 뉴로모픽 컴퓨팅 전자소자

작성자 : 김용훈·권정대·윤종원 ㅣ 등록일 : 2023-10-31 ㅣ 조회수 : 956 ㅣ DOI : 10.3938/PhiT.32.029

저자약력

김용훈 선임연구원은 2016년 광주과학기술원 신소재공학과에서 공학박사를 취득하고, 한국재료연구원에서 박사후 연구원 과정을 거쳐, 2017년부터 동기관 에너지전자재료연구실에서 선임연구원으로 재직 중이다. 2차원 소재 합성 및 이를 이용한 뉴로모픽 소자에 대한 연구를 수행 중이다. (kyhun09@kims.re.kr)

권정대 책임연구원은 2007년 KAIST 재료공학과에서 공학박사를 취득하고, 2007년부터 현재까지 한국재료연구원 에너지전자재료연구실장으로 재직 중이다. 원자층 증착 및 PECVD를 활용한 반도체 박막 연구를 수행 중이다. (jdkwon@kims.re.kr)

윤종원 선임연구원은 2016년 광주과학기술원 신소재공학과에서 공학박사를 취득하고, 2018년 미국 라이스 대학교 화학과에서 박사후 연구원을 거쳤다. 2022년까지 한국기초과학지원연구원 선임연구원으로 재직 후 현재 한국재료연구원 에너지전자재료연구실에서 선임연구원으로 재직 중이다. 2차원 소재 기반 센서소자에 대한 연구를 수행 중이다. (jwyoon@kims.re.kr)

2D Materials-based Neuromorphic Computing Electronic Device

Yonghun KIM, Jung-Dae KWON and Jongwon YOON

Nowadays, with the rapid information explosion connected to all devices, there is a huge demand for effectively processing big data. In particular, conventional von Neumann computing system with physically separated processing and memory units face significant problems in dealing with massive unstructured data such as sound, images, and video because of a von Neumann bottleneck. As a key feature of parallel operations, neuromorphic computing systems can analyze massive unstructured data in a time and energy efficient manner. However, critical issues related to reliability and variability of nonlinearity and asymmetric weight update, have been great challenges in the implementation of artificial synaptic device in practical neuromorphic hardware system. Also, hardware systems enabling artificial neural networks in-situ personal data are essential for adaptive wearable neuromorphic edge computing.

들어가는 글

오늘날 모든 기기에 연결된 급격한 정보의 확산으로 인해 빅데이터를 효과적으로 처리하기 위한 미래 컴퓨팅 기술에 대한 요구가 커지고 있다. 특히, 저장과 메모리 장치가 물리적으로 분리되어 있는 기존 폰 노이만 컴퓨팅 시스템은 대량의 비정형 데이터(소리, 이미지, 영상 등)를 처리하는 데 심각한 문제에 직면해 있고, 이를 폰 노이만 병목현상(von Neuman bottleneck)이라 불린다. 따라서, 인간의 뇌를 모방하여 기존의 컴퓨팅 시스템을 뛰어넘는 뉴로모픽 컴퓨팅 아키텍쳐(neuromorphic computing architecture)가 이에 대한 대안 기술로 떠오르고 있다.1)2) 병렬처리의 핵심 기능인 뉴로모픽 컴퓨팅 시스템은 시간과 에너지 효율적인 방식으로 대규모 비정형 데이터를 처리할 수 있다. 인공 신경망(artificial neural network, ANN)을 효과적으로 처리할 수 있는 뉴로모픽 하드웨어를 구현하기 위해 멤리스터 및 뉴로모픽 트랜지스터를 포함한 다양한 유형의 인공 시냅스 소자가 제안되어 왔다. 하지만, 3D 구조 통합 및 고집적 반도체 기술의 발전에도 불구하고 외부 자극에 대한 다중 레벨 상태의 비선형성 및 비대칭 가중치 업데이트와 같은 근본적인 제약을 해결하지 못하고 있는 실정이다. 최근, 전기화학적 반응 메커니즘을 기반으로 한 전기화학적 랜덤 액세스 메모리(eletrochemical random access memory, ECRAM) 소자에 대한 연구가 활발히 진행되고 있다.3) ECRAM 소자의 경우, 인풋과 아웃풋의 물리적으로 분리되어 있어 이온의 가역적 반응을 통해 선형적이고 대칭적인 가중치 업데이트가 가능하다는 장점을 갖는다. 최근에는 그래핀, 전이금속 디칼코게나이드(TMD) 및 질화붕소 등의 2차원(2D) 인공 뉴로모픽 시냅스 소재와 통합하여 고도화된 어레이 기능을 갖춘 뉴로모픽 소자들이 보고되고 있다. 이러한 원자적으로 얇은 2D 소재는 기존의 부피가 큰 소재와 달리 저전력 스위칭과 게이트 조절 능력 그리고 기계적 유연성과 같은 탁월한 특성이 가능하다는 장점을 가진다(그림 1 참조).4) 한국재료연구원에서는 2차원 소재 합성 및 뉴로모픽 소자 응용 분야에서 괄목할만한 성과를 보여주고 있다. 이번 특집에서는 한국재료연구원에서 수행해온 2차원 소재 기반 뉴로모픽 컴퓨팅 전자소자에 대한 간략한 소개와 발전, 그리고 연구 동향에 관해 소개하고자 한다.

Fig. 1. (Above) Two-dimensional material candidates with MX2 stoichiometric ratio and example of van der Waals heterojunction. (Below) Various electrical and optical properties of two-dimensional materials.[5,6]
Fig. 1. (Above) Two-dimensional material candidates with MX2 stoichiometric ratio and example of van der Waals heterojunction. (Below) Various electrical and optical properties of two-dimensional materials.5)6)

뉴로모픽 컴퓨팅 소자 기술

Fig. 2. (Above) Low-power neuromorphic computing structure and differences between current computing and parallel computing in the von Neumann structure.[7]Fig. 2. (Above) Low-power neuromorphic computing structure and differences between current computing and parallel computing in the von Neumann structure.7)
Fig. 3. (Above) A schematic diagram of the Neural Network performed in the human brain and the Artificial Neural Network (ANN) expressed through mathematical modeling. (Below) Basic conditions that must be implemented in hardware by imitating ANN.[8,9]Fig. 3. (Above) A schematic diagram of the Neural Network performed in the human brain and the Artificial Neural Network (ANN) expressed through mathematical modeling. (Below) Basic conditions that must be implemented in hardware by imitating ANN.8)9)

뉴로모픽 컴퓨팅(neuromorphic computing)의 사전적 의미는 컴퓨터와 같은 기계가 인간의 뇌와 신경계의 시스템을 모델로 삼는 컴퓨터 공학의 한 분야이며, 하드웨어 및 소프트웨어 설계 모두를 의미한다고 볼 수 있다. 그림 2는 현재 사용되고 있는 폰 노이만 구조의 컴퓨팅 아키텍쳐와 차세대 뉴로모픽 컴퓨팅 구조의 몇 가지 차이점을 보여준다(그림 2 참조). 폰노이만 구조의 컴퓨팅 시스템의 경우, 정보를 처리하는 CPU와 저장하는 메모리가 물리적으로 분리되어 있어 순차적으로 정보를 처리하게 된다(sequential processing). 반면, 뉴로모픽 컴퓨팅은 본질적으로 뉴런과 시냅스가 병렬적으로 배치되어 있어 잠재적으로 동시에 작동할 수 있다. 또한, 기존 컴퓨팅의 경우 0과 1의 디지털 신호로만 정보를 처리하게 되는데 반해, 뉴로모픽 컴퓨팅은 인간의 뇌와 같이 기본적으로 spike 신호를 처리하게 되어, 디지털 신호가 아닌 아날로그 신호를 처리할 수 있다.

그림 3(위)는 인간의 뇌에서 수행하는 생물학적인 정보 처리(인지, 추론 등)에 관한 그림과 이를 수학적 모델링으로 표현한 artificial neural network (ANN) 모식도를 나타낸다. ANN은 간단히 input과 output signal 그리고 그 안에 얼마나 많은 은닉층(hidden layer)이 있는지에 따라 다양한 딥러닝이 활용된다. 이때, hidden layer가 많아질수록 인지와 추론의 정확도가 높아지게 되며, 이때 가중치(W)에 대한 연산을 수행함으로써 인공지능 수행이 가능해진다. 그림 3(아래)는 인간의 뇌와 같이 ANN을 수행하기 위한 다양한 뉴로모픽 하드웨어 소자가 필요한 특성들을 보여준다. Paired pulse facilitation (PPF), short-term potentiation (STP), long-term potentiation (LTP) 등과 같은 시간에 대한 다양한 조건들로 인해 인간의 뇌가 기억, 인지, 추론과 같은 정보를 효율적으로 처리하게 된다.  그림 4는 ANN을 뉴로모픽 하드웨어로 구현하기 위한 기본적인 조건들을 나타낸 것이다.

외부의 연속적인 신호에 대해 뉴로모픽 소자의 경우 전도도(conductance, G)가 선형적으로 증가 및 감소함으로써 인간의 뇌와 같이 기억을 하고 정보를 처리할 수 있게 된다. 즉, 정보의 처리와 메모리 기능을 동시에 수행하게 된다. 이를 위해서는 하드웨어적으로 32 states 이상의 아날로그 상태와 전도도가 변할 때의 선형성과 대칭성, 그리고 이를 유지하기 위한 endurance 조건들을 만족해야 신뢰성 있는 아날로그 하드웨어 소자를 구현할 수 있게 된다.

Fig. 4. Basic conditions for implementing Artificial Neural Network (ANN) in hardware.[4]Fig. 4. Basic conditions for implementing Artificial Neural Network (ANN) in hardware.4)

2차원 소재와 고체전해질 구조기반 시냅스 소자

고정밀도를 가지는 인공 시냅스 소자 구현은 안정적인 병렬 컴퓨팅을 수행하기 위해서는 필수이다. 하지만, 지금까지 전도도 변화의 선형성과 대칭성을 만족하지 못해 뉴로모픽 시냅스 소자의 신뢰성 및 정확도를 높이는 데 한계가 존재했다. 본 연구에서는 리튬실리케이트(lithium silicate, LSO) 박막 고체 전해질과 2차원 MoS2 채널 소자를 접합하여 고정확도와 고신뢰성을 갖는 인공 시냅스 소자를 구현하였다. 그림 5는 인공 시냅스 소자를 만들기 위한 공정 순서도이다. 먼저, 화학기상 증착법(chemical vapor deposition, CVD)을 이용하여 고품질의 MoS2를 SiO2 기판 위에 합성하게 된다. 포토리소그래피 공정을 통해 MoS2 채널을 패터닝하고, 그 후에 진공 스퍼터링 방식을 통해 우리가 원하는 Li 이온을 가지는 리튬실리케이트 게이트 유전막을 MoS2 채널 위에 증착 및 패터닝을 하여 소자를 완성하게 된다. 그림 5(b)는 완성된 3단자 형태의 인공 시냅스 소자를 나타낸 것이며, TEM 분석을 통해 합성된 2차원 MoS2 소재가 반데르발스 결합을 하고 있는 것을 관찰할 수 있다. 또한, EELS 분석을 통해 SiO2 박막 안에 리튬 이온(Li+)이 전체적으로 잘 분포되어 있는 것 또한 확인할 수 있다.

Fig. 5. (a) Synaptic device process schematic based on 2D material and solid electrolyte structure, (b) photo of completed device, (c) TEM image of 2D material and lithium ion distribution, (d) lithium ion element in SiO2 through EELS analysis.[10]Fig. 5. (a) Synaptic device process schematic based on 2D material and solid electrolyte structure, (b) photo of completed device, (c) TEM image of 2D material and lithium ion distribution, (d) lithium ion element in SiO2 through EELS analysis.10)

그림 6(a)는 완성된 인공 시냅스 소자의 측정 모식도를 나타낸다. 시냅스 특성을 확인하기 위해 게이트 전극에 일정 주기를 가지는 전압을 인가하고, 물리적으로 분리되어 있는 드레인 전극에서 저항 변화를 측정하게 된다. 그림 6(b)는 연속적인 펄스 측정 조건을 나타낸 것이며, 그림 6(c)는 전해질 (LiSiOx, LSO) 박막의 두께가 대략 80 nm일 경우, IDS-VGS 전기적 특성을 보여준다. 듀얼 스윕(dual sweep)을 진행한 경우, 반시계 방향(anticlockwise)의 특성을 보여준다. 이는 SiO2 박막 내의 Li 이온이 가역적으로 외부의 인가된 전압에 의해 MoS2 채널 내로 삽입되었다가 추출되는 동작 매커니즘을 보여준다. 연속적인 펄스인가에 따른 전도도(G)의 변화를 그림 6(d)에 나타내었다. 연속적인 외부 전압의 인가에 따라 LTP (long-term potentiation)와 LTD (long-term depression)의 특성이 선형적으로 변함을 보여준다. Li 이온의 거동에 따른 소자 구동 매커니즘은 그림 7에 나타내었다.

Fig. 6. (a) Schematic diagram of artificial synaptic device measurement, (b) pulse measurement conditions, (c) IDS-VGs characteristics when electrolyte thickness is approximately 80 nm, (d) LTP and LTD measurement results.[10]Fig. 6. (a) Schematic diagram of artificial synaptic device measurement, (b) pulse measurement conditions, (c) IDS-VGs characteristics when electrolyte thickness is approximately 80 nm, (d) LTP and LTD measurement results.10)

그림 7(위)는 Li 이온의 거동에 따른 매커니즘을 분석하기 위한 capacitance-frequency (C-f) 측정 모식도를 나타낸다. 인가된 주파수에 따른 capacitance 변화를 관찰해 보면 크게 3가지 영역으로 나뉜다는 것을 알 수 있다. 7 kHz 이상의 상대적으로 빠른 주파수 영역에서는 Li 이온의 거동이 힘들기 때문에 Li 이온이 거의 움직이지 못하는 영역이다. 이를 bulk electrolyte 즉, Li 이온이 MoS2 채널에 아무런 영향도 미치지 못하고 SiO2 박막 내에 존재하는 상태이다. 이보다 좀 더 빠른 주파수 영역(0.6‒7 kHz)에서 첫 번째 변곡이 발생하는 것을 관찰할 수 있다. 이때는 Li 이온이 충분히 움직일 수 있어서 MoS2 채널 표면에 가서 electric double layer (EDL)를 형성한 단계이다. 하지만, 이때에도 역시 Li 이온이 MoS2 채널에 들어가서 전도도에 영향을 주기는 어려운 영역이다. 마지막으로, 0.1‒0.6 kHz의 주파수 영역에서 변곡이 한 번 더 일어남을 알 수 있다. 이때에는, Li 이온이 외부의 가해진 전압에 따라 MoS2 채널에 완전히 들어가게 되어 electrochemical doping process가 진행된다. 즉, 이 주파수 범위 내에서는 외부 전압이 (+)를 인가하게 되면 Li 이온이 MoS2 채널로 이동하여 전도도를 증가시키게 되고, 반대로 전압이 (-)가 되면 Li 이온이 MoS2 채널에서 전해질쪽으로 빠져나오면서 전도도가 감소하게 된다. 이러한 반응이 가역적으로 동작하면서 전류-전압 특성이 반시계 방향으로 나타나게 되는 것이다.

Fig. 7. (Top) Schematic diagram of capacitance-frequency (C-f) measurement and capacitance change according to frequency, (bottom) Schematic diagram of reversible movement of Li ions according to external voltage.[10]Fig. 7. (Top) Schematic diagram of capacitance-frequency (C-f) measurement and capacitance change according to frequency, (bottom) Schematic diagram of reversible movement of Li ions according to external voltage.10)

그림 8(위)는 500번 이상의 연속적인 펄스 전압을 인가하였을 경우, 선형적으로 증가 및 감소하는 시냅스 소자의 신뢰성 특성을 나타낸 그래프이다. 500번 이상을 인가하더라도 안정적으로 유지함을 알 수 있다. 또한, 이를 이용하여 손글씨 데이터인 MNIST (Modified National Institute of Standards and Technology database) 숫자 3을 얼마나 잘 인식하는지 평가하고자 하였다. 그림 8(아래)는 28\(\small\times\)28 픽셀수를 가지는 손글씨 숫자 3과 이에 대한 neural network 모식도를 나타낸 것이다. 이를 바탕으로 시뮬레이션한 결과 96.7%라는 높은 패턴인식률을 나타내었다.(소프트웨어 시뮬레이션 98% 이상) 따라서, 본 연구에서 제작한 2차원 MoS2 기반 시냅스 소자의 경우 고정확성도 고정밀을 갖는 시냅스 소자임을 알 수 있다.

Fig. 8. (Top) Endurance graph measured while applying continuous pulse voltage over 500 times, (Bottom) MNIST handwriting image with 28X28 pixels and its multi-layer neural network and simulation results.[10]Fig. 8. (Top) Endurance graph measured while applying continuous pulse voltage over 500 times, (Bottom) MNIST handwriting image with 28X28 pixels and its multi-layer neural network and simulation results.10)

웨어러블 엣지 뉴로모픽 컴퓨팅 소자

Fig. 9. Future vision and necessary material and device requirements when neuromorphic edge devices become a reality.[11]
Fig. 9. Future vision and necessary material and device requirements when neuromorphic edge devices become a reality.11)

뉴로모픽 엣지 디바이스(neuromorphic edge devices)가 현실화된다면 우리의 일상생활은 훨씬 더 편리하고 윤택해질 것이다. 그림 9는 우리의 일상 생활에서 어떤 식으로 뉴로모픽 엣지 디바이스가 활용되는지에 대한 예시를 보여준다. 이러한 뉴로모픽 엣지 디바이스는 향후에 human-machine interface, disease diagnosis, soft robotics 분야에도 활용이 될 것이다. 하지만, 이를 구현하기 위해서는 현재의 디바이스에서 몇 가지 요구되는 사항들이 존재한다. 첫 번째로, 인체에 부착 및 휴대하기 편한 유연하면서도 가벼운 새로운 소재 및 소자가 필요하다. 두 번째로 더 적은 소비전력과 다른 시스템과의 호환성이 요구된다.

Fig. 10. (Above) Two-dimensional MoS2 was synthesized on a flexible substrate without a transfer process. Photo of the completed device, (below) a representative device process.[12]Fig. 10. (Above) Two-dimensional MoS2 was synthesized on a flexible substrate without a transfer process. Photo of the completed device, (below) a representative device process.12)

한국재료연구원에서는 2차원 채널소재를 활용하여 유연하면서도 가벼운 고집적의 뉴로모픽 시냅스 소자를 구현하였다. 그림 10은 2차원 MoS2 소재를 일반적인 전사 공정(transfer process)없이 300 °C 이하의 저온에서 투명하면서도 유연한 기판(colorless polyimide) 위에 합성하여 제작한 뉴로모픽 시냅스 소자를 보여준다. 모든 공정이 반도체 프로세스가 가능하여 고집적의 유연하면서도 신뢰성 있는 뉴로모픽 소자를 세계 최초로 구현하였다.12) 기계적 유연성을 유지하면서도 얼마만큼의 소자 성능을 유지하는지도 평가하였다. 그림 11은 다양한 기계적 변형의 조건들과 이에 대한 시냅스 소자의 특성을 나타내었다. 먼저, bending raius를 30, 20, 10 mm 조건을 주면서 LTP와 LTD 특성의 변화를 관찰하였다(그림 11 위). LTP와 LTD 특성 모두 어느 변형 조건에서도 소자의 성능저하 없이 안정적으로 구동함을 확인하였다. 또한, 5 mm의 bending radius 조건을 반복적으로 기계적 변형을 가하면서도 소자의 성능을 평가하였다(그림 11 아래). 700번 정도의 계속적인 기계적 변형을 가했음에도 불구하고 Gmax/Gmin, aspect ratio, 선형성 수치들이 안정적으로 유지됨을 또한 확인하였다.

Fig. 11. (Top) Characteristics of synaptic devices measured while applying bending radius at 30, 20, and 10 mm, (bottom) Synapse characteristics measured while continuously applying bending at Bending radius at 5 mm.[12]Fig. 11. (Top) Characteristics of synaptic devices measured while applying bending radius at 30, 20, and 10 mm, (bottom) Synapse characteristics measured while continuously applying bending at Bending radius at 5 mm.12)

맺음말

한국재료연구원 에너지전자재료연구실에서는 2차원 소재의 대면적 합성과 뉴로모픽 컴퓨팅 소자를 포함한 다양한 전자소자들에 대한 연구를 진행하고 있다. 본 특집에서는 뉴로모픽 컴퓨팅 전자소자에 대한 기본적인 이해와 이를 하드웨어로 구현하기 위해 한국재료연구원에서 수행한 연구들을 소개하였다. 특히, 2차원 소재는 빠른 전하이동도와 기계적 유연성을 동시에 갖춘 차세대 뉴로모픽 시냅스 소재로 각광을 받고 있음에도 불구하고, 웨이퍼 스케일의 대면적 합성 및 접촉저항, 게이트 산화막, 실리콘 반도체 공정과의 적합성 등에 대한 난제들이 남아있다. 출연연과 학계, 산업계가 협력하여 체계적으로 연구를 수행해나간다면 기초연구뿐만 아니라 실제 소자에 적용하여 제품화에 다가가는 실현 가능성을 높일 수 있을 것으로 기대된다.

각주
1)S. Kumar et al., Nat. Rev. Mater. 7, 575 (2022).
2)Y. Choi et al., Nat. Commun. 11, 4595 (2020).
3)R. D. Nikam et al., Small 2302593 (2023).
4)C. Liu et al., Nat. Nanotechnol. 15, 546 (2020).
5)S. A. Han et al., Nano Convergence 2, 17 (2015).
6)A. K. Geim et al., Nature 499, 419 (2013).
7)C. D. Schuman et al., Nat. Comp. Science 2, 10 (2022).
8)S. Seo et al., ACS Appl. Electron. Mater. 2, 371 (2020).
9)C. Liu et al., Nat. Nanotechnol. 15, 545 (2020).
10)B. Park et al., ACS Appl. Mater. Interfaces, 53038 (2022).
11)E. Covi et al., Frontiers in Neuroscience, 611300 (2021).
12)Y. Hwang et al., Small Methods, 2201719 (2023).
물리대회물리대회
사이언스타임즈사이언스타임즈


페이지 맨 위로 이동