서울대학교 장호원 교수 연구팀은 기존의 에너지 소모 문제를 해결하고, 인공지능 연산을 가속화하는 뉴로모픽 하드웨어를 개발했습니다. 현재 CMOS 실리콘 반도체 기반 컴퓨팅은 에너지 효율이 낮고, 고집적 공정에서 물리적 한계가 존재하는 문제를 겪고 있습니다. 인공지능과 자율 주행, 의료 진단 등의 분야에서 요구되는 대규모 데이터 처리와 연산을 더 효율적으로 수행하려면 새로운 접근이 필요합니다.

이를 위해 연구팀은 뉴로모픽 하드웨어 개발에 집중했습니다. 뉴로모픽 하드웨어는 인간의 뇌 작동 방식을 모방하여 기억, 연산, 추론 등을 효율적으로 수행할 수 있는 지능형 반도체 소자로, 기존의 디지털 컴퓨팅과는 차별화된 아키텍처를 가지고 있습니다. 특히 인간 뇌의 시냅스가 전기적 신호를 통해 정보를 처리하고 저장하는 방식을 모사한 비휘발성 멤리스터 소자가 핵심입니다. 이 멤리스터는 아날로그 다중저항 상태를 저장하며, 이를 기반으로 가중치 연산이 가능해져 병렬 연산을 효율적으로 수행할 수 있습니다.

그러나 기존의 멤리스터 소자는 비대칭적이고 비선형적인 시냅스 가중치 조절 문제로 인해 정확도가 떨어지고, 에너지 효율이 낮은 문제를 가지고 있었습니다. 연구팀은 이러한 한계를 해결하기 위해, 최근 차세대 태양전지 및 LED 소재로 주목받던 할라이드 페로브스카이트에 주목했습니다. 할라이드 페로브스카이트는 높은 이온 이동도를 가지고 있어, 이를 활용한 뉴로모픽 소자가 매우 정밀하고 선형적인 시냅스 가중치 조절을 가능하게 합니다.

특히 연구팀은 이차원 페로브스카이트 소재에서 이온이 반도체 표면에 균일하게 분포할 수 있다는 사실을 발견했습니다. 이는 기존 멤리스터 소자에서는 불가능했던 대칭적이고 선형적인 가중치 조절을 구현할 수 있게 했습니다. 연구진은 포항공과대학교 연구팀과의 협력으로 제일원리 계산을 통해 이론적 증명을 뒷받침했습니다.

이 기술을 바탕으로 연구팀은 하드웨어에서의 인공지능 연산을 평가했으며, 그 결과 MNIST, CIFAR, ImageNet 등의 데이터셋에서 매우 높은 정확도를 기록했습니다. 특히, 고해상도 이미지 처리에서도 기존 모델의 한계값과 0.08% 내외의 오차로 매우 높은 성능을 보여주었습니다. 또한 단일 소자뿐 아니라 어레이 수준에서도 AI 연산을 초저전력으로 가속할 수 있다는 사실을 입증했습니다.

이 연구는 에너지 효율성과 연산 정확도를 동시에 향상시키는 뉴로모픽 소자의 발전에 기여했으며, 자율 주행, 의료 진단 등 여러 분야에서 응용될 수 있는 가능성을 열었습니다. 더 나아가 연구팀은 이번 성과가 AI 연산의 전반적인 에너지 소모를 줄이는 데 크게 기여할 것으로 예상하며, 향후 AI와 관련된 다양한 응용 분야에서 필수적인 요소로 자리 잡을 것으로 기대됩니다.

Q1: 뉴로모픽 하드웨어의 발전이 AI 응용 분야에 어떤 변화를 가져올 수 있을까요?

Q2: 차세대 지능형 반도체 기술이 산업 전반에 미칠 영향을 구체적으로 예측해 본다면 어떤 변화가 있을까요?