또한 제작된 3D 크로스바 어레이를 재프로그래밍함으로써 사이클 간 변화를 가능하게 하여, 가변성이 입증되었다. 더 나아가, 기계 학습 기반 공격 시뮬레이션과 국립표준기술연구소(National Institute of Standards and Technology, NIST) 시험 모음(NIST test suites)을 통해 강건성과 난수성이 검증되었다. 본 접근법은 3D 적층 멤리스터 크로스바 어레이의 자기-차분 페어링(self-differential pairing) 방식에 의해 강건한 엔트로피 원천을 제공함으로써 암호학적 보안을 향상시킬 것으로 기대된다.

인공지능의 발전과 대규모 신경망의 개발은 계산 비용과 에너지 소비를 유의하게 증가시켰다. 이러한 문제를 해결하기 위해, 연구자들은 저전력 신경망 구현 접근법을 탐색하고 있으며, 뉴로모픽 컴퓨팅 시스템이 잠재적 후보로 주목받고 있다. 특히 뉴로모픽 시스템의 핵심 요소인 고밀도이면서 신뢰성이 높은 시냅스 소자의 개발이 특히 관심의 대상이다. 본 연구에서는 플래시 셀의 기술적 성숙도와 NAND 플래시 어레이 구조의 장점을 결합한 8 × 16 멤캐피터(memocapacitor) 크로스바 어레이를 제시한다. 높은 신뢰도를 갖는 어레이의 아날로그 특성은 실험적으로 입증되었으며, 극히 낮은 오차로 벡터-행렬 곱셈이 성공적으로 수행되었다. 또한 가중치 미세 조정(weight fine-tuning) 특성을 활용하여, 웨이퍼 수준에서 오프칩 학습(off-chip learning)을 통한 CIFAR-10 분류를 위한 스파이킹 신경망을 구현하였다. 이러한 실험 결과는 소프트웨어 기반 신경망(93.24%)과 비교하여 1.13% 미만의 차이를 보이며, 92.11%의 높은 정확도를 달성함을 보여준다.

신경형 컴퓨팅(neuromorphic computing) 분야에서, 이진 신경망(Binary Neural Networks, BNN)을 신흥 재료 기반의 비휘발성 메모리와 통합하는 것은 새로운 기능을 도입할 수 있는 유망한 접근이 될 수 있다. 본 연구는 신경형 아키텍처에서, 특히 BNN 응용을 위한 시냅스 가중치(synaptic weights)로서, 납을 사용하지 않는(provide lead-free) 공기 안정형 Cs 2 SnI 6 (CSI) 기반 저항성 랜덤 액세스 메모리(resistive random access memory, RRAM) 소자의 실행 가능성을 강조한다. 여기서는 수열 합성(hydrothermally synthesized)한 CSI 페로브스카이트를 RRAM 소자의 저항성 층(resistive layer)으로서, 강체 또는 유연 기판 위에 각각 적용하여 탐색하였으며, 자기-순응(self-compliance)을 통한 재현 가능한 다중 비트 스위칭, 저저항 상태(low‐ resistance‐state, LRS)의 변동, 약 10 3 (또는 10 4 s)에 해당하는 적절한 On/Off 비(또는 보유특성(retention)), 그리고 300회 이상의 내구성을 확인하였다. 또한 32 × 32 × 3 RGB CIFAR-10 데이터셋을 이용한 종합 평가 결과, 이진 컨볼루션 신경망(binary convolutional neural networks, BCNN)은 이진 가중치 값만으로 학습하더라도, 아날로그 가중치 아키텍처에 필적하는 수준의 정확도를 달성할 수 있음을 보여주었다. 이러한 결과는 가중 구성(weighted configuration)에서 자기-순응을 갖는 CSI RRAM의 LRS가 지배적임을 강조하며, 유연 CSI RRAM이 굴곡 반경(bending radius)이 달라질 때 상당한 변동을 보이더라도 고저항 상태(high resistance state)는 미치는 영향이 최소함을 시사한다. 고유한 전기적 스위칭 특성으로 인해 CSI RRAM은 특히 IoT 기기 및 웨어러블(wearables)과 같은 환경에서 내장형 AI 시스템을 위한 유망한 후보로 부상할 것으로 기대된다.

저항성 랜덤 액세스 메모리(RRAM) 기반 컴퓨팅 인 메모리(CIM)는 기존 폰 노이만(von Neumann) 아키텍처의 메모리 병목을 제거함으로써 에너지 효율적인 딥러닝 추론을 위한 유망한 해결책으로 부상하고 있다. 그러나 제한된 비트 정밀도와 멤리스티브 소자의 고유한 변동성은 추론 정확도에 중대한 도전을 제기한다. 본 연구에서는 양자화 이전에 가중치 이상치를 억제하기 위해 σ 기반 클리핑(sigma-based clipping)을 포함하는 사후 학습 양자화(post-training quantization, PTQ) 프레임워크를 제시한다. 이 기법은 가중치의 동적 범위를 축소하여 양자화 해상도와 견고성을 향상시킨다. 이진화된 MNIST 데이터를 사용해 학습한 3층 완전 연결 신경망을 바탕으로, z-score 임계값 전반에서 PTQ 성능에 대한 σ-클리핑의 영향을 분석하였다. 클리핑은 추론 정확도를 향상시키고, 재학습된 모델들에서 정확도 분산을 감소시켰다. 또한 48 × 48 Al2O3/TiOx 기반 RRAM 크로스바 어레이를 사용하여 실험적으로 본 접근법을 검증하였다. 가중치 프로그래밍 중 도전율(conductance) 편차가 발생함에도 불구하고, 클리핑은 추론 정확도를 96.27%에서 97.76%로 향상시켜 하드웨어 변동 하에서도 그 효과를 확인하였다. 시뮬레이션에서는 실험적으로 관찰된 변동에 상응하는 변이를 도입하였을 때 PTQ 정확도가 96.42%에서 83.67%로 감소한 반면, 클리핑된 모델은 96.96%를 유지하였으며, 이는 12.75%p의 개선을 보여주었다. 이러한 결과는 σ-클리핑이 CIM 기반 신경망의 양자화 견고성을 향상시키기 위한 실용적이고 경량의 전략임을 입증한다.

자기조직화 지도(Self‐organizing maps, SOMs)는 고차원 데이터를 시각화하고 군집화하는 데 널리 사용되지만, 유클리드 거리(Euclidean distance, ED) 계산을 메모리 어레이 내에서 직접 구현하기가 어렵기 때문에 효율적인 하드웨어 구현은 여전히 난제로 남아 있다. 기존의 SOM 가속기는 대개 주변부 디지털 프로세서 또는 근사 유사도 지표에 의존하며, 이로 인해 지연(latency)과 에너지 소비가 증가하고 확장성이 제한된다. 여기서는 in‐memory computing을 통한 메모리 내(in‐situ), 완전 병렬 ED 평가를 가능하게 하는 2 × 32 × 32 적층(middle electrode) 막저항기(메모리스터, memristor) 크로스바 어레이 기반의 SOM 학습 아키텍처를 제시한다. 적층 크로스바 구조의 중간 전극 전류를 활용함으로써, 시스템은 입력 벡터와 가중치 벡터 사이의 ED를 본질적으로 부호화하여 외부 산술 유닛의 필요성을 제거하면서도 완전한 아날로그 병렬성을 보존한다. 또한 거리 평가, 경쟁(competition), 가중치 적응(weight adaptation)을 포함하는 완전한 비지도 학습 파이프라인을 크로스바에 직접 매핑하여, SOM 연산의 하드웨어 통합이 매끄럽게 이루어짐을 보여준다. 여행하는 세일즈맨 문제, 이미지 군집화, 컬러 양자화 등 다양한 과제에 대한 실험적 시연은, 대규모 병렬 메모리 내 거리 계산에 의해 이 접근법의 기능적 정확성과 높은 하드웨어 효율을 검증한다. 본 연구는 SOM의 하드웨어 구현을 한 단계 진전시키는 동시에, 거리 기반 비지도 학습 알고리즘을 막저항기 기반 메모리 내 컴퓨팅 시스템에 매핑하기 위한 일반적인 방법론을 정립하여, 확장 가능하고 에너지 효율적인 뉴로모픽 가속기를 가능하게 한다.

강유전체 터널 접합(ferroelectric tunnel junctions, FTJs)은 비필라멘트형 스위칭 거동, 낮은 동작 전류, 그리고 다단(멀티레벨) 전도도 프로그래밍 가능성으로 인해 인-메모리 컴퓨팅을 위한 유망한 비휘발성 메모리 소자이다. 본 논문에서는 안정적인 강유전체 스위칭 특성을 위해, HZO 기반 FTJ에서 후막 금속화 열처리(postmetallization annealing, PMA) 온도가 미치는 영향을 조사한다. 이 열처리 공정은 정방정(orthorhombic) 상의 결정화를 촉진하고 계면 트랩을 감소시켜, 초기 사이클부터 포화 분극(saturated polarization)이 가능해지며 10^4 사이클을 초과하는 내구성을 달성한다. 배열 수준 기능성을 평가하기 위해 48 × 48 FTJ 크로스바 어레이를 제작하였다. 반 바이어스(half-bias) 동작이 성공적으로 시연되어, 선택되지 않은 셀들이 인접한 셀들의 간섭 없이 안정적으로 유지됨을 확인하였다. 모든 2,304개 셀에서 균일한 3비트 전도도 프로그래밍이 구현되었으며, 명확하게 분리된 상태들이 관찰되었다. 또한 벡터–행렬 곱(vector–matrix multiplication) 시험을 통해 배열 수준에서의 정확한 동작을 검증하였고, 출력 오차 편차는 최대 0.97%까지 낮게 나타났다. 마지막으로 CIFAR-10 분류기의 최종 완전연결층(final fully connected layer)을 크로스바 어레이 위에 직접 구현하여 88.3%의 분류 정확도를 달성했으며, 소프트웨어 기준선(88.5%)과 매우 근접한 성능을 보였다. 이러한 결과는 HZO 기반 FTJ 크로스바 어레이가 인-메모리 컴퓨팅을 위한 에너지 효율적인 플랫폼이 될 잠재성을 지님을 시사한다.

본 연구에서는 NAND 플래시 기반 물리적 복제방지기능(PUF) 시스템을 제시한다. 이 시스템은 엔트로피 소스로서 NAND 플래시 셀의 고유한 소자 변이를 활용하며, 직렬로 연결된 구조로 인해 기존 NAND 플래시에서 내재적으로 제한된 변이 분포 문제를 효과적으로 해결한다. 우리는 제작된 32 × 32 NAND 플래시 어레이를 사용하여 엔트로피 소스의 랜덤성 향상이 실험적으로 검증됨을 확인하였다. 비트라인 전류의 변이는 선택된 워드라인의 개수(N_WL)에 따른 함수로 분석하였고, N_WL을 제한함으로써 큰 변이를 달성하였다. 측정 데이터에 기초하여, 3-D NAND 플래시 기반 PUF 시스템의 비트 오류율(BER)은 온도 변화에 대한 높은 안정성을 보여주며, 10 ^∘C당 단 0.073%만이 무시할 정도로 증가함을 확인하였다. 또한 도전-응답 쌍(CRP) 공간을 활용하여 균일성, 확산성, 고유성과 같은 PUF 시스템의 랜덤성 지표를 평가한다. 아울러 PUF 시스템의 보안성은 기계학습(ML) 공격에 대해서도 평가한다.

또한 제작된 3D 크로스바 어레이를 재프로그래밍함으로써 사이클 간 변화를 가능하게 하여, 가변성이 입증되었다. 더 나아가, 기계 학습 기반 공격 시뮬레이션과 국립표준기술연구소(National Institute of Standards and Technology, NIST) 시험 모음(NIST test suites)을 통해 강건성과 난수성이 검증되었다. 본 접근법은 3D 적층 멤리스터 크로스바 어레이의 자기-차분 페어링(self-differential pairing) 방식에 의해 강건한 엔트로피 원천을 제공함으로써 암호학적 보안을 향상시킬 것으로 기대된다.

인공지능의 발전과 대규모 신경망의 개발은 계산 비용과 에너지 소비를 유의하게 증가시켰다. 이러한 문제를 해결하기 위해, 연구자들은 저전력 신경망 구현 접근법을 탐색하고 있으며, 뉴로모픽 컴퓨팅 시스템이 잠재적 후보로 주목받고 있다. 특히 뉴로모픽 시스템의 핵심 요소인 고밀도이면서 신뢰성이 높은 시냅스 소자의 개발이 특히 관심의 대상이다. 본 연구에서는 플래시 셀의 기술적 성숙도와 NAND 플래시 어레이 구조의 장점을 결합한 8 × 16 멤캐피터(memocapacitor) 크로스바 어레이를 제시한다. 높은 신뢰도를 갖는 어레이의 아날로그 특성은 실험적으로 입증되었으며, 극히 낮은 오차로 벡터-행렬 곱셈이 성공적으로 수행되었다. 또한 가중치 미세 조정(weight fine-tuning) 특성을 활용하여, 웨이퍼 수준에서 오프칩 학습(off-chip learning)을 통한 CIFAR-10 분류를 위한 스파이킹 신경망을 구현하였다. 이러한 실험 결과는 소프트웨어 기반 신경망(93.24%)과 비교하여 1.13% 미만의 차이를 보이며, 92.11%의 높은 정확도를 달성함을 보여준다.