소식
왕건욱 & 이병근 교수팀 , N고밀도·고성능 인메모리 컴퓨팅 구현을 위한 모놀리식 3D 집적 1TS-1M 인공신경망 어레이 개발
2025.04.18 Views 379
고밀도·고성능 인메모리 컴퓨팅 구현을 위한
모놀리식 3D 집적 1TS-1M 인공신경망 어레이 개발
왕건욱 & 이병근 교수팀 연구결과, Nano Energy 에 게재돼
모놀리식 3D 집적 1TS-1M 인공신경망 어레이 개발
왕건욱 & 이병근 교수팀 연구결과, Nano Energy 에 게재돼
왼쪽부터, 고려대 안연서 학생, 광주과학기술원 이병근 교수, 고려대 왕건욱 교수
□ 고려대학교(총장 김동원) KU-KIST융합대학원/융합에너지공학과 왕건욱 교수팀과 광주과학기술원의 이병근 교수팀은 모놀리식 3D 집적 1TS-TiOx 멤리스터 기반 뉴럴 네트워크를 구현하여 고밀도, 고성능 인메모리 컴퓨팅을 위한 플랫폼을 제시했다.
□ 이러한 공로로 본 연구결과는 다학제 분야의 권위 있는 학술지인 ‘Nano Energy (IF=16.8)’지에 2025년 4월 10일에 정식 출판되었다.
- 논문명 : Implementation of monolithic 3D integrated TiOx memristor-based neural network for high-performance in-memory computing
- 저널명 : Nano Energy 紙 (IF=16.8)
- 주요 저자정보 : 안연서 (제1저자, 고려대 KU-KIST 융합대학원), 김도원 (제1저자, 광주과학기술원), 이병근 (교신저자, 광주과학기술원/전기전자컴퓨터공학과), 왕건욱 (교신저자, 고려대 KU-KIST 융합대학원/융합에너지공학과)
□ 최근, 인공지능 (AI) 기술의 발전과 함께 폭발적으로 증가하는 데이터 처리 요구를 기존 폰노이만 (Von Neumann) 구조로 해결하는 데 한계가 제기되고 있다. 특히, 메모리와 프로세서 간 빈번한 데이터 전송에 따른 병목 현상은 높은 에너지 소모와 처리 속도 저하를 유발하며, 이를 해결하기 위한 새로운 컴퓨팅 패러다임이 주목받고 있다.
□ 이러한 한계 극복을 위한 대표적인 접근 방식으로 메모리 내에서 직접 연산을 수행하는 인메모리 컴퓨팅(in-memory computing) 기술이 주목되고 있다. 특히, 멤리스터 기반 크로스바 어레이 구조는 고집적 구조로 병렬 연산이 가능한 특성 덕분에 인공지능 신경망 연산 가속에 적합한 차세대 기술로 주목받고 있다.
□ 그러나 대규모 멤리스터 어레이에서는 선택되지 않은 셀을 통해 발생하는 Sneak current 문제가 존재하고, 이러한 문제를 해결하기 위해 임계 전압 스위칭 특성을 갖는 셀렉터(threshold switching selector) 구조, 다이오드 기반 구조, 그리고 CMOS 트랜지스터를 활용한 다양한 셀렉터 통합 방식이 활발히 연구되어 왔다. 하지만 위 구조 모두 높은 전압 강하(voltage drop) 특성으로 인해 정확한 연산 및 확장성에 어려움이 존재했다.
□ 이에 본 연구에서는 180 nm CMOS 공정으로 특수 제작된 4개의 트랜지스터 기반 셀렉터 (1TS) 위에 TiOx 멤리스터(1M)를 모놀리식 3D 집적 방식으로 통합하여 1k-bit CMOS 집적 TiOx 멤리스터 어레이 구조를 구현하였다. 1TS는 4개의 MOSFET(2 PMOS + 2 NMOS)으로 전송 게이트 (transmission gate) 및 인버터로 구성되었다. 통합된 1TS-1M 구조는 멤리스터의 각 셀에 강한 이진 입력 제공하여 높은 ON/OFF 비율 구현 및 셀 간 간섭 억제, 낮은 전력 소모를 구현하여 최대 1.14 Tbit 규모의 초대형 인메모리 컴퓨팅 시스템으로 확장 가능함을 확인하였다.
▲ 그림 1. CMOS 공정 기반으로 모놀리식 집적된 1kbit 1TS-1M 어레이의 제작 및 구조: 칩의 광학 현미경 이미지, 단면 SEM 이미지, 1TS-1M 셀의 구조 및 회로도, 그리고 VMM 연산 그림이 포함됨.
□ 또한, 개발된 1TS-1M 어레이는 CIFAR-10, UTK face 이미지 데이터셋을 대상으로 제한된 CNN 구조에서도 각각 79.47 %, 84.89 %의 인식 정확도를 달성하여 기존 멤리스터 기반 인메모리 컴퓨팅 구조 대비 뛰어난 학습 및 분류 성능을 입증하였다(그림 2). 이번 연구는 고밀도·고성능 인메모리 컴퓨팅 시스템 구현을 위한 멤리스터 기반 뉴럴 네트워크 기술의 새로운 가능성을 제시하며, 에너지 효율적이고 대규모 확장이 가능한 AI 하드웨어 플랫폼 개발에 핵심적인 기여를 할 것으로 기대된다.
▲ 그림 2. CIFAR-10 이미지에 대한 패턴 분류 결과: (위 그림) CNN 구조를 통한 단계적 합성곱 및 풀링 계층에서의 특징 추출 과정, (아래 그림) 합성곱 계층에서의 커널 가중치 분포 변화 (초기, 1 epoch, 200 epoch), epoch 수에 따른 인식 정확도, 200 epoch 이후의 실제 라벨과 예측 라벨 간 confusion matrix를 확인함.
□ 고려대 KU-KIST 융합대학원 소속의 안연서 학생이 제1저자로, 고려대학교 KU-KIST 융합대학원/융합에너지공학과 왕건욱 교수와 광주과학기술원의 이병근 교수가 교신저자로 참여했다.
□ 이 연구는 국가연구개발사업(NRF), ‘기초연구실’, ‘나노미래소재원천기술개발’, ‘반도체디스플레이국제공동연구’, ‘중견연구’, ‘도전형’, ‘신개념PIM기초기술’, 한국과학기술연구원 ‘융복합개방형연구’의 지원을 받아 다학제 분야의 세계적인 학술지인 ‘Nano Energy’ 紙 (2025년 기준 인용지수 IF=16.8)에 올해 4월 10일에 온라인 게재됐다.
□ 또한, 개발된 1TS-1M 어레이는 CIFAR-10, UTK face 이미지 데이터셋을 대상으로 제한된 CNN 구조에서도 각각 79.47 %, 84.89 %의 인식 정확도를 달성하여 기존 멤리스터 기반 인메모리 컴퓨팅 구조 대비 뛰어난 학습 및 분류 성능을 입증하였다(그림 2). 이번 연구는 고밀도·고성능 인메모리 컴퓨팅 시스템 구현을 위한 멤리스터 기반 뉴럴 네트워크 기술의 새로운 가능성을 제시하며, 에너지 효율적이고 대규모 확장이 가능한 AI 하드웨어 플랫폼 개발에 핵심적인 기여를 할 것으로 기대된다.
□ 고려대 KU-KIST 융합대학원 소속의 안연서 학생이 제1저자로, 고려대학교 KU-KIST 융합대학원/융합에너지공학과 왕건욱 교수와 광주과학기술원의 이병근 교수가 교신저자로 참여했다.
□ 이 연구는 국가연구개발사업(NRF), ‘기초연구실’, ‘나노미래소재원천기술개발’, ‘반도체디스플레이국제공동연구’, ‘중견연구’, ‘도전형’, ‘신개념PIM기초기술’, 한국과학기술연구원 ‘융복합개방형연구’의 지원을 받아 다학제 분야의 세계적인 학술지인 ‘Nano Energy’ 紙 (2025년 기준 인용지수 IF=16.8)에 올해 4월 10일에 온라인 게재됐다.
