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.

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