금속산화물 멤리스터 기반 통합 뉴로모픽 네트워크 학습 및 동작

초록

본 논문은 트랜지스터 없이 동작하는 금속산화물 멤리스터 교차배열을 구현하고, 변동성을 충분히 낮춘 뒤 단일층 퍼셉트론을 실제 하드웨어에서 학습·인식시킨 최초 사례를 제시한다. 3×3 흑백 이미지 3클래스를 완벽히 구분하도록 Δ‑규칙 기반의 코스그레인 학습을 수행했으며, 이는 향후 대규모 멤리스터 기반 뉴로모픽 시스템 구현에 중요한 전진을 의미한다.

상세 요약

이 연구는 현재 CMOS 기반 뉴로모픽 회로가 직면한 스케일링 한계를 극복하기 위한 실질적인 대안을 제시한다. 금속산화물 멤리스터는 비선형 I‑V 특성을 이용해 자체 선택(select) 기능을 제공하므로, 각 교차점에 별도의 트랜지스터를 배치할 필요가 없으며, 이는 배열 밀도를 크게 향상시킨다. 논문에서는 최신 공정으로 제작된 64 × 64 교차배열을 사용했으며, 초기 소자 변동성을 10 % 이하로 억제하기 위해 형성(forming) 전압 최적화와 열처리 공정을 정교하게 조정하였다. 이러한 변동성 감소는 아날로그 가중치 저장과 정확한 가중치 업데이트에 필수적이다.

학습 알고리즘으로는 전통적인 Δ‑규칙을 코스그레인 방식으로 변형하여 적용했는데, 이는 각 가중치를 멤리스터의 저항값으로 직접 매핑하고, 전압 펄스를 통해 저항을 증감시키는 방식이다. 전압 펄스의 폭과 높이를 가중치 변화량에 정밀히 대응시킴으로써, 연속적인 아날로그 가중치 조정이 가능했다. 실험에서는 3 × 3 픽셀 흑백 이미지(총 9개의 입력)와 3개의 출력 뉴런으로 구성된 단일층 퍼셉트론을 구축했으며, 3개의 클래스를 구분하도록 200 epoch 학습 후 100 % 정확도를 달성했다.

핵심적인 기술적 인사이트는 다음과 같다. 첫째, 금속산화물 멤리스터의 비선형 전류 제한 특성이 교차점 간 누설 전류를 효과적으로 억제해 대규모 배열에서도 신호 무결성을 유지한다. 둘째, 변동성 억제와 동시에 멤리스터의 저항 범위(≈ 1 kΩ ~ 100 kΩ)를 충분히 넓게 확보함으로써 가중치 표현 능력을 확보했다. 셋째, 트랜지스터 없는 구조는 전력 소모를 크게 낮추고, 배열 두께를 최소화해 3D 적층(vertically integrated) CMOS와의 하이브리드 통합을 용이하게 만든다. 넷째, Δ‑규칙 기반 학습이 하드웨어 수준에서 구현 가능함을 증명함으로써, 소프트웨어 중심의 역전파 학습이 아닌 온칩 학습 메커니즘의 실현 가능성을 보여준다.

이와 같은 결과는 기존의 상변화(phase‑change) 멤리스터와 달리 각 교차점에 별도 트랜지스터가 필요 없는 금속산화물 멤리스터가 대규모 뉴로모픽 시스템에 더 적합함을 시사한다. 다만, 멤리스터의 내구성(쓰기/지우기 사이클), 장기 보존성(retention), 그리고 온도 의존성 등은 향후 연구에서 추가적인 최적화가 요구된다.