▲ 상변화메모리(P-RAM) 소자 및 저항변화 특성 확보. (a)39nm 기술이 적용된 1Gbit P-RAM 어레이. (b)어레이 및 소자 단면 고해상도 투과전자현미경 이미지. (c)소자 동작 조건 및 저항변화 결과로 P-RAM 의 on/off 저항값의 산포 및 저항드리프트(resistance drift)를 나타냄.

인공지능(인공신경망)의 학습 능력을 향상시키는 새로운 기술이 개발됐다.

UNIST(총장 이용훈)의 신소재공학과의 정홍식 교수팀과 중국 칭화대 연구진은 인공신경망 칩의 불안정성을 역이용해 인공신경망의 학습능력을 향상시키는 새로운 학습법을 제안했다.

인공신경망 칩은 뇌의 뉴런과 시냅스를 반도체 칩으로 구현하는 미래 기술이다.

연구진은 인공신경망 칩처럼 동작이 가능한 상변화 메모리반도체(P-RAM) 기반 멤리스터(메모리반도체+저항) 어레이를 만들어 제안된 학습법의 효과를 입증했다.

이 학습법은 정보저장 물질(상변화물질)의 자발적 전기저항 증가를 이용하기 때문에 추가적 전력소모 없이 학습능력 향상이 가능하다는 장점 또한 있다.

정홍식 교수는 “반도체 소자의 불안정성을 최소화하려는 접근법 대신 이를 이용해 학습능력을 향상 시키는 접근법을 고안했다는 점에서 인공신경망 칩 개발의 새로운 패러다임을 제시한 연구”라고 설명했다. 정 교수는 지난 2019년 UNIST에 부임해 반도체소재 부품 대학원 설립 추진단을 이끌고 있다.

인공신경망 칩을 쓰면 인간 뇌처럼 에너지는 적게 쓰면서 연산과 기억 작업을 동시 할 수 있다. 반면에 물리적으로 수많은 소자가 집적된 인공신경망 칩은 오차가 존재한다는 단점이 있다. 기존 인공신경망 학습방법은 오차가 없는 완벽한 인공신경망 칩을 가정한 학습방법이라 인공신경망의 학습능력이 떨어진다.

정 교수 연구팀은 실제 인간 뇌도 완벽에 가까운 동작이 필요하지 않다는 점에서 착안해 상변화 메모리기반 멤리스터 인공신경망 학습법을 개발했다.

이 학습법은 메모리 반도체내 상변화물질의 ‘저항 드리프트 현상’(전기저항 증가)을 학습에 반영한 것이다. 학습 과정 중 정보 업데이트 패턴이 시냅스 역할을 하는 멤리스터에 전기저항 증가 형태로 기록되기 때문에 시냅스는 자신이 변화하는 패턴과 학습하는 데이터간 연관성을 추가로 학습하게 된다.

연구팀은 숫자 0∼9로 구성된 손 글씨를 분류하는 실험을 통해 개발된 학습법이 3% 정도의 학습능력 향상 효과를 가짐을 보였다. 특히 손 글씨 분류가 어려운 숫자 8의 경우 정확도가 더 크게 향상됐다. 손 글씨 분류 난이도에 따라 차별적으로 변화하는 시냅스 업데이트 패턴 덕분에 학습능력이 향상된 것이다.

제1저자인 임동혁 연구조교수는 “상대적으로 분류하기 쉬운 숫자 1의 경우 시냅스 업데이트가 자주 발생했는데, 이는 뇌신경과학의 동물실험에서 나타나는 의사결정 확정도(decision confidence)와 높은 유사성을 갖는다는 점에서도 매우 흥미롭다”고 설명했다.

연구진은 이번 연구가 최근 인공지능 분야의 두 가지 화두인 ‘인공신경망 칩의 개발’과 ‘인공신경망을 통한 뇌신경기능 구현’ 잇는 인공지능기반 융합연구의 기폭제 역할을 할 것으로 기대했다.

중국 칭화(Tsinghua)대학교 루핑 시(Luping Shi) 교수와 공동으로 이뤄진 이번 연구는 국제 학술지 ‘네이쳐 커뮤니케이션즈 (Nature Communications)’ 1월 12일 온라인판에 게재됐다.

연구수행은 한국연구재단의 나노소재원천사업, UNIST의 미래선도형특성화사업과 인공지능대학원프로그램의 지원으로 이뤄졌다.