자기 터널 접합 뉴런과 표준 멤리스터 시냅스를 활용한 뉴로모픽 시스템

Abstract

4차 산업혁명의 핵심기술인 인공지능 기술이 발전함에 따라, 자율주행, 헬스 케어, 음성인식, 블록체인 등 다양한 분야에서 정보의 대용량 및 고속 처리에 대한 수요가 증가하고 있다. 기존의 컴퓨팅 아키텍처 구조에서 오는 병목현상과 반도체 집적 기술에 한계를 해결하기 위해 인간의 뇌를 모방하는 신경 모방 공학(neuromorphic engineering)이 대두되고 있다. 인간의 뇌는 시냅스를 활용하여 병렬 연산에 최적화된 아키텍처를 가지고 있으며, 약 20 W 수준의 낮은 전력으로 동작하기 때문이다. 이에 따라 딥러닝으로 대표되는 소프트웨어 인공 지능의 학습과 판단 기능을 하드웨어로 접근하는 연구가 필요하다. 본 연구의 목표는 낮은 구동 전력과 비휘발성 메모리 특성이 있는 자기 터널 접합 소자를 적용한 저-전력 및 고집적 인공 뉴런의 구조와 범용성을 가진 TiO2 표준 멤리스터 기반 인공 시냅스 소자를 제안하는 것이다. 자기 터널 접합 소자의 물리적 특성에 의한 telegraphic switching 현상에 관해서 연구한 뒤, 외부 자기장과 스핀 전달 토크 전류에 의해 제어되는 스파이크 신호를 산출하였다. 스파이크 신호의 비율에 따라 학습 또는 망각 작용이 일어나는 시냅스 소자의 범용성을 확보하기 위해 HP Lab에서 제안한 TiO2 표준 멤리스터를 활용하였다. 멤리스터에 인계되는 바이어스를 통해 소자의 특성이 변화하는 비선형 도판트 드리프트 모델을 제시했다. 인공 뉴런과 인공 시냅스를 회로를 통해 연결한 뒤, spike rate dependent plasticity를 적용한 인공신경망을 구축하였다. 인공 뉴런으로부터 추출되는 신호의 길이, 비율에 비례하여 플럭스를 산출하고 이를 기반으로 시냅스 소자의 전기 전도도가 2 nS에서 38.5 nS까지 달라지는 것을 보였다. 이를 인공 신경망으로 확장하여 뇌에서 이루어지는 학습을 집적회로 상에서 구현하였다. 간단한 연상 기억 동작을 보일 수 있는 파블로프의 실험을 제안하는 뉴로모픽 시스템에 적용하여 타당성을 검증했다. 본 논문에서 제안하는 뉴로모픽 시스템은 기존의 인공 뉴런 신호의 주 생성 방식인 I&F(integrated and firing) 회로 또는 펄스 생성 회로를 사용하지 않고, 고집적, 저-전력 구동 소자인 자기 터널 접합 소자를 활용했기 때문에 복잡도와 소비 전력 측면에서 큰 장점이 있다. 끝으로, 인공 뉴런과 인공 시냅스는 다층 신경망으로의 적층이 쉽다는 점에서 높은 확장성을 가져, 뉴로모픽 공학의 주요 목표인 복잡한 신경망 구조를 통한 실용적인 인식 및 추론으로의 후속 연구가 용이하다.