스파이킹 뉴럴 네트워크에서 STT-MRAM을 사용한 신경모사 컴퓨팅

Abstract

최근 4차 산업혁명으로 인하여, 인공지능, 자율주행, 블록체인과 같은 분야에서 정보의 병렬 및 고속 프로세싱의 필요성이 대두되고 있다. 기존의 폰 노이만 아키텍쳐가 가진 병목 현상과 반도체 집적화 기술의 한계를 해결하기 위하여, 저전력, 병렬 연산에 능한 인간의 뇌를 모사하는 ‘신경모사’ 방법이 제시되었다. 본 연구에서 기존 메모리의 한계를 극복할 수 있는 차세대 메모리 STT-MRAM의 저전력, 비휘발성 메모리 특성을 활용한 인공 뉴런과 TiO2 멤리스터 기반 시냅스 소자를 활용하여 스파이크 뉴럴 네트워크를 구현였다. 또, 구현된 스파이크 뉴럴 네트워크를 활용하여 이미지 인식을 실행하여, 저 데이터, 저 전력 환경에서의 구동이라는 뉴로모픽 아키텍쳐의 효용성을 확인하였다. STT-MRAM의 물리적 특성인 telegraphic switching 특성에 관하여 연구한 뒤, 외부 자기장과 spin tranfer torque(STT) 전류를 통해 인공 뉴런 신호 비율을 제어하고, 발생된 인공 뉴런 신호의 비율 차이에 따라 학습 강화와 망각이 TiO2 기반 멤리스터 시냅스 소자에서 발생하여 소자의 컨덕턴스가 2nS에서 38.5nS까지 조절되는 것을 확인하였다. 이를 인공 신경망에 적용하여, 뇌에서 이루어지는 학습을 집적회로 상에서 구현하였다. 딥러닝 소프트웨어 상의 분류 연산을 하드웨어 상에서 구현하여 뉴로모픽 시스템의 타당성을 검증했다. 그 검증 방법으로, 인공 뉴런 신호를 인공 시냅스와 스파이킹 뉴럴 네트워크에 입사하여 multiply-accumulate operation(MAC operation)을 통해 MNIST handwritten database 이미지를 classifaction을 실행했다. 이 연구를 통해 제안된 뉴로모픽 아키텍쳐는 생물학적 뉴런 구조를 구현하기 위한 integrated and firing(I&F)와 같은 추가적인 회로 구성없이, STT-MRAM 소자를 이용하여 인공 뉴런 신호를 구현하였기 때문에 회로 집적과 소비 전력 측면에서 큰 효용이 있다. 또한, 인공 뉴런 신호의 비율 차이를 이용하여 시냅스 가중치를 제어함으로써 인간의 뇌를 밀접하게 모방하였고, 결과적으로 높은 이미지 인식률 정확도와 같은 우수한 특성을 확인하였다. 결론적으로, 이 연구는 뉴로모픽 아키텍쳐의 하드웨어 구현을 통한 실용적인 인식 및 분류 후속 연구에 용이하다.|In this paper, the CoFeB-based MTJ element was implemented using an artificial neuron signal generator and a memristor synapse element. After studying the device characteristic or process parameter in which the MTJ device represents telegraphic switching, the conditions for expressing telegraphic switching, which stochastically represent '0' and '1' were confirmed through external magnetic field and STT current control applied to the MTJ device. After confirming the conditions, telegraphic switching was actually measured in the MTJ device and used as an artificial neuron signal.  based memristor was used as a synaptic element, and through telegraphic switching, the synaptic plasticity in which the conductance of memristor changes according to the difference in net flux applied to memristor could be confirmed, which was defined as spike-rate dependent plasticity. The proposed artificial neurons and synapses were implemented through modeling based on formulas in Python language. Therefore, learning and oblivion of biosynapses were imitated by applying artificial neuron signals, which are input signals, and SRDP, which is a weight modulation algorithm of synaptic elements. The application of hybrid methods to overcome hardware imperfection, regression analysis of correlation between the number of learning images and image recognition rate, residual analysis, and fitted curve through 3D data creation have made it possible to predict the minimum number of images to reach the maximum image recognition rate. Through the proposed STT-MRAM-based neuromorphic computing, it was confirmed that it meets the purpose of the neuromorphic field of low power and parallel computing in the neuromorphic field. Subsequent studies are easy in more complex data classification and recognition through the stacking of artificial neural networks.