비정질 탄소 산화물 기반 멤리스터를 이용한 인공 스파이 킹 뉴런 소자 연구

Abstract

4차 산업혁명으로 인해 막대한 양의 정보가 생겨나고 이를 저장 및 처리를 위한 인공지능 기술이 발전하고 있다. 하지만 현재의 컴퓨팅 구조인 폰 노이만(von-Neumann) 구조에서 인공지능의 학습 및 추론을 구현하면 데이터 병목 현상(von-Neumann bottleneck)으로 인해 시스템 전체 성능이 감소하고 높은 전력 소모를 발생시키는 문제점을 가지고 있다.[1] 문제를 해결하기 위해 인간의 뇌 구조를 모방한 뉴로모픽 아키텍쳐(Neuromorphic architectures) 구조의 연구가 전 세계적으로 활발히 진행되고 있다. 뉴로모픽 아키텍쳐 구조는 수많은 인공 뉴런(Neuron)과 인공 시냅스(Synapse)가 병렬로 연결되어 있어 낮은 전력으로 동작이 가능하며 고집적 하드웨어(Hardware)를 구현할 수 있다.[2] 이러한 장점을 가진 뉴로모픽을 구현하기 위해 인공 뉴런을 실제 하드웨어로 구현하기위한 연구가 진행되고있다. 본 연구에서는 비정질 탄소 산화물(Oxygenated amorphous carbon)기반 멤리스터(Memristor) 소자를 제작하여 인공 뉴런을 구현하였다. 인공 뉴런 소자는 비정질 탄소 산화물을 기반으로 하부 전극으로 Al을 사용했으며, 상부 전극으로는 Pt를 사용하였다. 제작된 인공 뉴런 소자는 전류 컨플라이언스(compliance)가 1 mA 일 때, 소자의 전기적 특성과 신뢰성을 측정하였다. 이 조건에서 인공 뉴런 소자는 Vforming -3.35 V와 Vset -3.25 V, Vreset 3.1 V 를 가졌다. 제작된 인공 뉴런 소자는 입력되는 전압 펄스(Pulse)의 수에 따라 소자의 저항이 감소하는 특성을 확인하였으며, 주변 회로 (Current-mirror-type sense amplifier 및 SR-latch)를 C-MOSFETs로 설계하고 하드웨어적으로 연결하여 생물학적 뉴런의 축적 및 발화 모델(Integrate & fire model) 기능을 성공적으로 모방하였다. 또한, 온라인 학습(Online learning)을 위해 비정질 탄소 산화물 기반 인공 뉴런의 데이터를 기반으로 스파이크 딥 뉴럴 네트워크(spiking deep neuron networks 이하 SDNN)를 사용하였다. 학습 데이터로는 손 글씨 이미지 데이터셋(MNIST)를 사용했으며 MNIST 필기 이미지는 각 픽셀의 크기와 푸아송(Poisson) 분포에 따라 스파이크 펄스(spiking pulse)로 변환된다. 설계된 SDNN은 MNIST 인식 테스트에서 높은 분류 정확도(~93%)를 달성하였다. 따라서 비정질 탄소 산화물 기반 멤리스터를 사용한 인공 뉴런은 우수한 성능과 뉴로모픽 아키텍쳐에서 실시간 온라인 학습(Online learning)의 가능성을 확인하였다.