인구 코딩 기반 신경형태 하드웨어 프레임워크

초록

본 논문은 생물학적 신경 집단 코딩 원리를 차용하여, 무작위 트랜지스터 불일치와 시스템적 오프셋을 이용해 이질적인 튜닝 곡선을 가진 아날로그 뉴런을 구현한 “Trainable Analogue Block (TAB)”을 제안한다. 65 nm 공정으로 제작된 테스트 셀을 이용해 숨은 뉴런의 tanh 비선형성 및 가중치 블록의 13‑bit 바이너리 가중치를 측정·검증했으며, 오프라인 학습(유사역행렬 기반)으로 다양한 회귀 문제를 해결함으로써, 제조 공정에서 발생하는 랜덤 매치 불일치를 설계상의 장점으로 전환시키는 가능성을 보여준다.

상세 분석

이 논문은 신경생물학에서 관찰되는 ‘인구 코딩(population coding)’ 개념을 아날로그 VLSI 설계에 적용한다는 점에서 혁신적이다. 전통적인 아날로그 회로 설계는 디바이스 매칭을 확보하기 위해 면적을 크게 잡아야 하는 반면, TAB는 오히려 매칭 불일치를 활용한다. 구체적으로, 각 숨은 뉴런은 차동 트랜지스터 쌍(M1, M2)으로 구성되어 입력 전압(Vin)과 고정 기준 전압(Vref)의 차이에 따라 tanh 형태의 전류 특성을 만든다. Vref를 뉴런마다 다르게 설정함으로써 시스템적 오프셋을 부여하고, 제조 공정에서 발생하는 트랜지스터 파라미터 변동(random mismatch)과 결합해 각 뉴런이 서로 다른 비선형 응답을 갖도록 설계한다. 이는 LSHDI(Linear Solutions of Higher Dimensional Interlayers) 프레임워크, 즉 입력을 고차원 비선형 공간으로 무작위 투사하고 출력 가중치를 선형으로 학습하는 구조와 일치한다.

학습 단계에서는 숨은 뉴런들의 출력 행렬 H를 측정하고, 목표 출력 벡터 T에 대해 가중치 벡터 β를 β = H⁺·T (H⁺는 유사역행렬) 로 계산한다. 이 과정은 오프라인이지만, 가중치 블록은 13‑bit 바이너리 스플리터 회로를 통해 전류 흐름을 정밀히 제어하므로, 디지털 제어와 아날로그 연산을 효과적으로 결합한다. 실험에서는 단일 입력‑단일 출력(SISO) 구조의 테스트 셀을 이용해 다양한 비선형 함수(예: 사인, 다항식)와 선형 회귀 문제를 학습시켰으며, 측정된 출력 오차가 기대값에 근접함을 보였다.

핵심적인 기술적 기여는 다음과 같다. 첫째, 랜덤 매치 불일치를 설계 파라미터가 아니라 ‘자원’으로 전환함으로써 공정 스케일링에 따른 매칭 비용을 감소시킨다. 둘째, 시스템적 오프셋을 통해 뉴런 간 튜닝 곡선의 이질성을 보장하고, 이는 인구 코딩 이론에서 제시된 ‘다양한 튜닝 곡선이 전체 입력 범위를 효율적으로 커버한다’는 가정과 일치한다. 셋째, 가중치 블록의 바이너리 스플리터 구조는 높은 해상도의 아날로그 가중치를 구현하면서도 디지털 제어가 가능하도록 하여 설계 복잡성을 낮춘다. 넷째, 65 nm 공정에서도 동작 가능한 초소형 뉴런 블록을 구현함으로써, 향후 시스템‑온‑칩(SoC) 수준의 저전력, 고밀도 신경형태 하드웨어 구현 가능성을 제시한다.

이러한 설계 철학은 기존 아날로그 뉴럴 네트워크가 직면한 ‘매칭·노이즈·레오프’ 문제를 근본적으로 회피하고, 오히려 공정 변동성을 활용하는 새로운 패러다임을 제시한다. 또한, TAB는 학습 후에도 동일한 하드웨어를 다양한 응용 분야에 재사용할 수 있어, 설계·제조 주기와 비용을 크게 절감할 수 있다.