김상범 연구실은 차세대 인공지능 하드웨어 구현을 위해 비휘발성 메모리 소자, 특히 상변화 메모리(PCM), 저항변화 메모리(RRAM), 금속 산화물 기반 ECRAM, 그리고 2차원 소재 기반 소자 등 다양한 신소자 개발에 집중하고 있습니다. 이들 소자는 기존의 폰 노이만 구조의 한계를 극복하고, 메모리와 연산이 집적된 뉴로모픽 시스템을 실현하는 데 필수적인 역할을 합니다. 연구실은 소자의 스위칭 특성, 내구성, 저전력 동작, 고집적화, 그리고 신경망 학습에 적합한 아날로그 특성 구현에 중점을 두고 있습니다. 특히, 상변화 메모리와 금속 산화물 기반 소자에서 발생하는 저항 드리프트, 스위칭 노이즈, 내구성 저하 등 신뢰성 문제를 해결하기 위한 소재 및 구조적 혁신을 선도하고 있습니다. 다양한 소재 조성, 나노구조 제어, 전극 설계, 그리고 3차원 적층 기술을 도입하여 소자의 성능을 극대화하고, 실제 뉴로모픽 칩에 적용 가능한 수준의 특성을 확보하고 있습니다. 또한, 실시간 온칩 학습이 가능한 시냅스 소자 어레이와 뉴런 회로의 집적 기술도 활발히 연구 중입니다. 이러한 연구는 인공지능 가속기, 엣지 컴퓨팅, 초저전력 IoT 디바이스 등 다양한 응용 분야에 적용될 수 있으며, 기존 메모리 기술의 한계를 뛰어넘는 새로운 패러다임을 제시합니다. 연구실은 소재-소자-회로-시스템 전반에 걸친 융합 연구를 통해, 미래형 인공지능 하드웨어의 핵심 기반 기술을 확보하고 있습니다.

본 연구실은 아날로그 인-메모리 컴퓨팅(In-Memory Computing, IMC)과 뉴로모픽 시스템의 실현을 위한 소자-회로-알고리즘 통합 연구를 수행하고 있습니다. 아날로그 IMC는 메모리 소자 자체에서 곱셈-누적 연산을 병렬적으로 수행함으로써, 기존 디지털 컴퓨팅 대비 에너지 효율과 연산 속도를 획기적으로 개선할 수 있는 차세대 컴퓨팅 아키텍처입니다. 연구실은 IGZO TFT, VRRAM, ECRAM, CTF 등 다양한 소자를 활용한 아날로그 시냅스 어레이와 뉴런 회로를 개발하고, 실제 딥러닝 및 스파이킹 뉴럴 네트워크(SNN) 알고리즘을 하드웨어에서 구현하는 데 성공하였습니다. 특히, 소자 특성의 비이상성(예: 비선형성, 가중치 드리프트, 변동성 등)이 시스템 전체의 학습 및 추론 성능에 미치는 영향을 정량적으로 분석하고, 이를 보정하기 위한 알고리즘-소자 공동 최적화(co-optimization) 전략을 제안하고 있습니다. 예를 들어, 티키타카 알고리즘, CRUS 등 하드웨어 친화적 학습 알고리즘을 개발하여, 실제 소자 특성에 최적화된 온칩 학습을 실현하고 있습니다. 또한, 스파이킹 신경망 기반 RBM, CNN, Reservoir Computing 등 다양한 신경망 구조를 아날로그 메모리 기반 칩에서 구현하고, 패턴 인식, 이미지 생성, 최적화 문제 해결 등 다양한 응용을 시연하였습니다. 이러한 연구는 초저전력, 초고속, 고집적 인공지능 하드웨어의 실현을 앞당기며, 미래형 엣지 AI, 실시간 센서 데이터 처리, 자율주행, 스마트 센서 네트워크 등 다양한 산업 분야에 혁신을 가져올 것으로 기대됩니다. 연구실은 소자-회로-알고리즘-시스템의 전주기적 통합 연구를 통해, 세계적 수준의 뉴로모픽 및 인-메모리 컴퓨팅 기술을 선도하고 있습니다.