전자의 스핀을 이용한 인공지능 반도체 기술

KIST 연구진이 개발한 '나노 자성구조체인 스커미온을 이용한 초저전력 인공지능 반도체 소자' 실물사진
KIST 연구진이 개발한 '나노 자성구조체인 스커미온을 이용한 초저전력 인공지능 반도체 소자' 실물사진

4차 산업혁명의 핵심기술인 인공지능(AI) 반도체 기술 개발 경쟁이 치열하다. AI 기술이 발전하면서 연산능력은 기하급수적으로 늘어남에 따라 초저전력 AI 전용 반도체의 필요성이 급부상하고 있다.

한국과학기술연구원(KIST)는 차세대반도체연구소 송경미 박사, 주현수 박사, 장준연 소장 그리고 우성훈 박사(현 IBM) 공동연구팀이 소용돌이 모양의 나노 스핀 구조체인 ‘스커미온을(Skyrmion)’ 이용해 차세대 저전력 뉴로모픽 컴퓨팅 소자의 핵심 기술을 개발했다고 29일 밝혔다.

‘스커미온’은 소용돌이 모양으로 배열된 스핀 구조체로 특유의 구조적 안정성, 나노미터 수준의 작은 크기 그리고 생성 및 개수 조절이 용이한 장점을 가져 메모리, 논리소자, 통신 소자 등 차세대 전자소자에 적용하기에 매우 유용하다.

스커미언의 모식도. 전자의 스핀이 나선형 모양으로 배열되어 구조적으로 안정하고, 전기적으로 생성, 이동, 소멸 등 제어가 가능
스커미언의 모식도. 전자의 스핀이 나선형 모양으로 배열되어 구조적으로 안정하고, 전기적으로 생성, 이동, 소멸 등 제어가 가능
(좌) 페리 자성체(강자성체와 반강자성체의 중간 형태) 에서 형성되는 스커미온의 모식도와 (우) 뇌신경계의 신호 전달 모방을 위한 스커미온 기반의 시냅스 모식도
(좌) 페리 자성체(강자성체와 반강자성체의 중간 형태) 에서 형성되는 스커미온의 모식도와 (우) 뇌신경계의 신호 전달 모방을 위한 스커미온 기반의 시냅스 모식도

더욱이 개개의 스커미온은 각각 고유한 전기 저항을 가져 스커미온 개수에 따른 저항 변화를 아날로그적으로 조절하고 측정 할 수 있다.

이런 우수한 특성으로 인해 스커미온 기반의 인공 시냅스 소자를 개발에 대한 관심이 높았으나 스커미온을 전기적으로 제어하는 기술적 어려움으로 인해 현재까지 이론적으로만 예측됐다.

KIST 연구진은 신경전달 물질과 동일한 원리로 스커미온의 수를 조절함으로써 시냅스 가중치를 변화시킬 수 있음에 착안했다. 그동안 개념적으로만 제안됐던 스커미온 전자소자를 전기적으로 제어하는 방법을 찾아냈으며 이를 기반한 시냅스 소자를 최초로 제작했다. 기존 시냅스 소자들에 비해 낮은 전압으로도 동작하면서도 높은 내구성을 갖는다.

연구진은 이 인공 시냅스 소자를 이용해 손글씨 숫자 패턴(MNIST) 인식 학습을 진행했을 때 90%의 높은 인식률을 증명했다. 기존 인공 시냅스 소자는 이와 유사한 수준의 인식률을 얻기 위해 수십만 번의 반복 학습이 필요했으나 스커미온 기반 인공 시냅스 소자는 1만5,000회 학습만으로 달성 가능하여 인식에 필요한 소자의 전력소모를 10배 이상 감소했다.

(좌) 뉴런과 뉴런 사이의 연결강도 (시냅스 가중치)를 스커미온 기반 인공 시냅스로 구현한 모식도(우) 28 ×28 픽셀로 표현되는 손글씨 패턴 인식 학습을 위한 인공 신경망
(좌) 뉴런과 뉴런 사이의 연결강도 (시냅스 가중치)를 스커미온 기반 인공 시냅스로 구현한 모식도(우) 28 ×28 픽셀로 표현되는 손글씨 패턴 인식 학습을 위한 인공 신경망

송경미 KIST 박사는 “기존에 이론으로만 제시됐던 스커미온 기반의 인공 시냅스 소자를 세계 최초로 구현한 연구 결과이며, 전기적으로 제어되는 스커미온의 개수에 따라 시냅스 가중치를 제어함으로써 신경전달물질의 양으로써 시냅스 가중치를 조절하는 인간의 뇌를 가장 밀접하게 모방했다”고 말했다.

주현수 KIST 박사는 “이 연구에서 ‘스커미온’을 활용한 새로운 접근법은 차세대 물질이나 새로운 소자 기반의 뉴로모픽 소자를 새롭게 제시하는 것으로 이 분야 연구에 새로운 방법을 제시한 것으로 시사하는 바가 크다”고 밝혔다.

이번 연구결과는 세계적인 학술지 ‘Nature Electronics’에 지난 16일 온라인 판에 게재됐다.

손글씨 이미지(MNIST) 학습 진행에 따른 정확도 개선 결과. 전체 6만개 손글씨 이미지 중 1회 학습에 300개의 이미지씩 패턴 학습 진행 후 정답률 확인. 100회 학습 진행 후 90% 정확도 확보
손글씨 이미지(MNIST) 학습 진행에 따른 정확도 개선 결과. 전체 6만개 손글씨 이미지 중 1회 학습에 300개의 이미지씩 패턴 학습 진행 후 정답률 확인. 100회 학습 진행 후 90% 정확도 확보

 

저작권자 © 테크데일리(TechDaily) 무단전재 및 재배포 금지