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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.