기사 메일전송
제5장 지능형 반도체 소재기술(1)-조병진(충북대)-신소재경제·재료연 공동기획 소재기술백서 2020(15) - 뉴로모픽 컴퓨팅·시냅스 소자 등 반도체 최적화 기술 주목
  • 기사등록 2022-06-27 16:13:52
기사수정
재료연구원이 발행한 ‘소재기술백서’는 해당분야 전문가가 참여해 소재 정보를 체계적으로 정리한 국내 유일의 소재기술백서다. 지난 2009년부터 시작해 총 12번째 발간된 이번 백서의 주제는 ‘포스트 코로나 대응소재’다. 2020년 3월 이후 코로나가 전세계적으로 확산되며 세계 경제 및 사회에 전례없는 큰 충격을 주고 있다. 포스트 코로나 시대의 거대한 변화를 도약의 기회로 만들기 위한 과학기술 기반의 준비가 필요하다. 이에 소재기술백서 2020는 ‘포스트 코로나 대응 소재기술’을 주제로 방역·의료소재, 언택트 환경·디지털 소재, 친환경·신에너지 소재와 관련한 기술동향을 분석했다. 이에 본지는 재료연구원과 공동기획으로 ‘소재기술백서 2020’를 연재한다.

뉴로모픽 컴퓨팅·시냅스 소자 등

반도체 최적화 기술 주목


생물학적 신경망의 연산 매커니즘 모사로 효율 증대

2차원 초박막 소재 활용 多, 고집적화·저전력 구동 등 유리


■ 기술의 정의 및 분류


1) 뉴로모픽 시냅스 소자

인공지능(AI: artificial intelligence)은 영국의 수학자인 튜링이 1940년대에 처음 제안한 매우 오래된 개념이지만, 최근에서야 이미지/음성 인식, 소셜 네트워크, 금융, 의료, 보안 등과 같은 다양한 분야에서 활용 되기 시작하였다. 급격한 AI 기술의 발전 배경에는 빅 데이터 구축, 신경망 처리 알고리즘(neural network algorithms)의 고도화, 그리고 인공신경망(artificial neural network)을 학습시키는 병렬 컴퓨팅 시스템의 연산 처리 속도 개선이 있다.


따라서 현재 AI 시스템을 구현하기 위한 기법(딥 러닝 등)은 막대한 연산량을 뒷받침할 수 있는 수많은 컴퓨팅 자원이 필요하며 이에 따른 전력 소모가 동반된다. 인공지능 알고리즘 대부분은 중앙처리장치(CPU, Central Processing Unit), 그래픽처리장치(GPU, Graphics Processing Unit), 필드 프로그래머블 게이트 어레이(FPGA, Field-Programmable Gate Array)와 같은 기존 컴퓨팅 시스템에서 실행이 가능하고, 최근에는 기계학습 가속화를 위해 주문형 반도체(ASIC, application specific integrated circuit)를 활용하고 있다.


하지만, 폰노이만(Von Neumann) 컴퓨터가 가지고 있는 메모리와 CPU 사이에서 발생하는 데이터 병목 문제를 완전히 해소할 수 없는 구조적인 문제가 존재한다(그림 1). ETRI. 인공지능 뉴로모픽 반도체 기술 동향(2020)


이를 해결하기 위해, 최근 들어 생물학적 신경망의 효율적인 연산 처리 메커니즘을 모사하는 뉴로모픽(neuromorphic) 컴퓨팅 기술이 주목받고 있다. 뉴로모픽 컴퓨팅이 상용화되면 최신 CPU/GPU에 비해서도 3000배 이상 빠른 속도로 딥러닝(deep learning) 연산을 수행할 수 있을 것으로 예측된다.


이를 구현하기 위해서는, 신경계를 구성하는 뉴런과 시냅스의 기능을 반도체 소자로 모방하고 이를 어레이(array) 형태로 집적화하면 매트릭스(matrix) 행렬 곱셈 연산에 최적화된 신개념의 뉴로모픽 컴퓨팅 시스템을 제작하는 것이 가능하다.


특히, 정보 전달의 핵심 과정을 담당하는 고성능의 시냅스를 개발하는 연구가 뉴로모픽 소자 연구의 핵심이라고 할 수 있다. 시냅스 어레이 소자는 가변저항(variable resistance) 특성과 비휘발성 특성을 가져야 하며 외부에서 인가된 전압에 따라 시냅스의 가중치(synaptic weight, 보통 소자의 conductance를 의미)를 변경할 수 있어야 한다. 입력 전압과 가중치의 곱에 해당되는 전류(I=Vinput×G)가 흐르기 때문에 행렬 곱셈 연산을 실시간으로 수행할 수 있다.


초기 시냅스 소자 연구에서는 Si 트랜지스터 여러 개가 조합된 CMOS(Complementary Metal Oxide Semiconductor) 회로를 적절하게 구성하여 시냅스의 전기적 특성을 구현하였다. CMOS 회로는 안정성 및 신뢰성은 우수하지만, 집적도와 전력소모 측면에서 한계가 있었다.

따라서 단일 소자 제작을 통해 시냅스 특성을 구현하였는데, 2단자 멤리스터(memristor: memory+resistor)와 3단자 시냅스 트랜지스터(synaptic transistor) 소자가 대표적이다(그림 2). 2단자 멤리스터 소자는 멤리스터 가변 저항 메모리로 집적화가 용이한 반면 전력 소비량이 높고 선형성이 상당히 떨어지는 단점이 있다.


한편, 3단자 시냅스 트랜지스터의 경우에는 pre-synaptic neuron(source electrode)으로부터 post-synaptic neuron(drain electrode)으로 신호가 전달될 때 gate 전압을 변경하면 시냅스의 가중치를 미세하게 제어할 수 있고 낮은 소비전력과 높은 신뢰성이 장점이다. 그러나 크로스바 어레이로 집적화되는 멤리스터 소자에 비해 집적도가 떨어지는 것이 단점이다.


시냅스 소자의 전기적 특성에 대해서 순차적으로 살펴보면 소자에 인가되는 pre-synaptic spike(펄스 전압)의 종류에 따라 자극의 흥분과 억제와 관련된 EPSC(Excitatory Post-Synaptic Current)와 IPSC(Inhibitory Post-Synaptic Current)를 각각 모방할 수 있으며 이런 스파이크 특성들이 정보 처리 및 저장에 밀접하게 영향을 준다. 연속 스파이크(spike)에 의해 EPSC/IPSC 전류의 값은 점진적으로 증가하거나 감소하게 되는데 이를 시냅스의 가소성(synaptic plasticity)이라고 한다.


일반적으로 펄스 전압(pre-synaptic spike)의 진폭(amplitude)이 크고 지속시간(duration time)이 길수록 전류의 변화량은 커진다(그림 3(a)). 연속적인 두 번의 spike를 인가했을 때의 전류값 상승을 PPF(Paired Pulse Facilitation)라고 하며(그림 3(b)), PPF는 인터벌(interval) 시간에 따라 달라지는데 인터벌이 짧을수록 증가하는 PPF 값을 보여준다(그림 3(c)). 스파이크(spike)를 전압 펄스 형태로 양 또는 음의 방향으로 연속 인가하면 전류값이 점차 증가(potentiation) 또는 감소(depression)한다(그림3(d)).


이런 시냅스 전도도의 차이(dynamic range)가 클수록 다양한 가중치에 대한 선택이 가능하므로 병렬계산에서 유리하게 작용한다. <그림 3(e)>는 연속적인 스파이크 펄스를 연속적으로 발생시킨 후 감쇠(decay)를 관찰한 실험인데 긴 시간 동안 기억을 유지하는 LTM(Long-Term Memory) 특성을 잘 보여주고 있다.


<그림 3(f)>는 pre-synaptic spike와 post-synaptic spike의 인터벌(interval) 시간에 따른 시냅스 가중치(weight, 전도도를 의미)의 변화가 반비례하는 STDP(Spike-Timing-Dependent-Plasticity) 특성을 나타내며 스파이크 신경 네트워크(SNN, Spiking Neural Network)의 중요한 학습규칙(learning rule)으로 활용되고 있다.


■ 포스트 코로나 대응관점에서의 기술의 중요성


현재 코로나뿐만 아니라 향후 발생할 가능성이 있는 다양한 전염병을 조기에 진단하고 방어하기 위해 AI 컴퓨팅 기술은 상당히 중요하다. 예를 들면, 코로나 관련된 빅 데이터는 인공지능 알고리즘으로 분석해 바이러스의 유입경로를 파악할 수도 있고, 현장대응부터 확산 방지 및 신약/백신 개발 등 광범위한 범위에 활용이 가능하다.


특히 미래에는 환자의 상태를 실시간으로 조기에 진단할 수 있는 웨어러블 헬스케어가 중요한 바이오 연구 분야가 될 것으로 전망이 되며, 이를 위해 필요한 구체적인 기술은 엣지 컴퓨팅(edge computing)과 사물인터넷이다. 엣지 컴퓨팅은 주요 데이터를 저장, 처리, 분석하는 기능을 클라우드 컴퓨터에 맡기지 않고, 말단의 모바일에서 직접 처리하는 기술이다.


엣지 컴퓨팅을 위해 성능과 민감도가 향상된 인공지능 컴퓨터를 활용하게 되면 실시간 비정형 데이터를 매우 빠르게 분류할 수 있어 진단, 결정과 같은 헬스케어 관련 고도의 지능 서비스를 제공하는 것이 가능해진다. 최근, 애플은 혈중 산소포화도를 실시간으로 측정할 수 있는 스마트 워치를 출시했는데 고도의 에지용 인공지능 컴퓨팅 기술이 도입되면 심장 및 폐 질환 등을 가지고 있는 환자의 실시간 상태를 조기에 진단하여 위험을 미리 예방하는 것이 가능해질 것이다.


■ 메커니즘 기반 시냅스 소자 및 뉴로모픽 응용 기술


뉴로모픽 시냅스의 기능적/구조적 특성을 모방하기 위한 다양한 구조 및 소재가 제안되었다. 다음 그림은 시냅스의 전기적 거동을 전자 소자로 모방하기 위해 적용된 다양한 접근법 중에서 동작 메커니즘을 중심으로 시냅스 소자를 분류한 것이다(그림 4). 이번 절에서는 구동 원리에 따른 뉴로모픽 시냅스별 핵심 기술과 실제 인공신경망에 사용되어 특정 영역에 활용된 사례를 중심으로 살펴보고자 한다.


■ 전하 트랩 기반 시냅스 소자


전하 트랩 기반 시냅스 소자(charge trapping based synapse device)는 트랜지스터 유전체 안에 전하 저장 층을 삽입한 구조에서 게이트 전극에 인가되는 전압 펄스를 통해 채널 소재의 전기전도도를 바꾸는 방식으로 작동한다. 양의 전압이 게이트 전극에 인가되면 전자들은 수직으로 형성된 전기장에 의해 채널 물질과 유전체 계면에 우선하여 유도되고 이후 터널링 효과(tunneling effect)를 통해 얇은 에너지 장벽을 통과하여 전하 저장 층(defect-rich 절연체 층 또는 전도층) 안으로 포획된다.


포획된 전자들은 쿨롱 힘(electrostatic coulomb force) 대전된 두 입자 사이에 작용하는 정전기적 인력을 의미함으로 인해 채널의 전자 개수를 감소시킨다. 반대로 음의 전압이 인가되면 포획된 전자들이 방출되어 채널의 전자 개수가 증가한다. 이는 기존의 전하 트랩 플래쉬 메모리(charge trap flash memory) 구동 메커니즘과 거의 유사하게 작동하므로 전자 방출이 어려워 장기 잔류(long-term retention) 특성이 두드러진다.

Al2O3 유전막 위에 Al 나노입자를 도입시킨 InGaZnO 산화물 반도체 기반의 시냅스 트랜지스터 소자가 최근에 보고되었다(그림 5). Kim et al. Adv. Electron. Mater. 6, 1901072(2020)


최적화된 Al 나노입자 밀도에서 post-synaptic current의 변화량를 극대화 시킬 수 있었고, MNIST DB(Modified National Institute of Standards and Technology database)를 활용한 필기체 손글씨의 패턴 인식률에서 기존의 나노입자가 없는 컨트롤(control) 소자와 비교해서도 35%까지 패턴 인식률이 향상됨을 시뮬레이션으로 보여주었다.


한편, 최근 들어 뉴로모픽 시냅스 소자로 많이 활용되는 2차원 초박막 소재는 고 집적화가 가능하고 저 전력 구동이 가능한 장점이 있으며 3차원 적층에도 유리한 물성을 가지고 있다. 예를 들면, h-BN/BOx/WSe2 기반 시냅스 소자에 0.3V의 낮은 펄스 전압을 인가했을 때 비정질 BOx내에 존재하는 전자의 trap states를 이용해 매우 우수한 전도도의 선형성과 대칭성을 구현할 수 있었다. 그리고 스파이크 이벤트당 66fJ의 매우 낮은 에너지 소비량을 보여주었다(그림 6(a)). Seo et al. Nat. Commun. 9, 5106(2018)


2D 금속과 유기물 구조체(metal-organic frameworks) Zn-TCPP를 결합한 복합체 구조에서도 시냅스 특성을 모방하였으며, 이는 금속-유기물 구조체의 활용성을 고차원의 전자소자 영역으로 넓힐 수 있는 가능성을 보여준 실험이었다(그림 6(b)). Ding et al., Adv. Electron. Mater. 6, 1900978(2020)


또한, 2D InSe 기반의 비휘발성 메모리 소자에서는 InSe 계면에 생기는 InOx 자연 산화막이 전하 저장 층으로 작용하여 InSe 채널을 가변 저항으로 만들 수 있었다(그림 6(c)).



▲ <그림 1> 인공지능 데이터 처리 기술별 특징


▲ <그림 2> 2단자 멤리스터(위) 및 3단자 트랜지스터 기반의 뉴로모픽 시냅스 소자 집적화된 어레이 시냅스 회로(아래)


▲ <그림 3> 인가된 펄스와 EPSC(a) 연속 스파이크에 의한 PSC 변화(b), PPF 특성(c), potentiation 및 depression 특성(d), LTM 특성(e), STDP 특성(f)


▲ <그림 4> 구동 원리에 따른 뉴로모픽 시냅스 소자 분류


▲ <그림 5> Al NPs:InGaZnO 시냅스 소자의 동작 메커니즘(a), excitatory post synaptic current(EPSC) 특성(b), potentiation 및 depression 특성(c)


▲ <그림 6> h-BN/BOx/WSe2 시냅스 소자의 전기적 특성(a), Zn-TCPP 시냅스 소자의 가소성(b), InSe 시냅스 소자의 전기적 특성(c)

0
기사수정

다른 곳에 퍼가실 때는 아래 고유 링크 주소를 출처로 사용해주세요.

http://amenews.kr/news/view.php?idx=49285
기자프로필
프로필이미지
나도 한마디
※ 로그인 후 의견을 등록하시면, 자신의 의견을 관리하실 수 있습니다. 0/1000
프로토텍 11
서울항공화물 260
이엠엘 260
린데PLC
im3d
엔플러스 솔루션즈
모바일 버전 바로가기