김형진 연구실의 핵심 축 가운데 하나는 멤리스터와 저항변화메모리 소자를 이용해 인간의 시냅스 동작을 모사하고, 이를 실제 연산 하드웨어로 확장하는 뉴로모픽 반도체 연구이다. 연구실은 기존 폰노이만 구조의 메모리-프로세서 분리로 인한 병목과 전력 소모 문제를 해결하기 위해, 저장과 연산을 동시에 수행하는 인메모리 컴퓨팅 구조를 지향한다. 특히 멤리스터 크로스바 어레이를 활용하여 가중치 저장, 행렬-벡터 연산, 임계 논리 연산, 조합최적화 문제 해결까지 연결되는 하드웨어 계산 프레임워크를 구축하고 있다. 이 연구는 소자 수준의 정교한 상태 제어와 어레이 수준의 신뢰성 확보를 동시에 요구한다. 연구실은 48×48 규모의 멤리스터 크로스바 어레이 제작, 멀티비트 스위칭 특성 구현, self-compliance 동작, 상태 유지 특성 개선, 산포와 노이즈 분석, 컴팩트 모델링 등 실제 시스템 동작에 필요한 요소 기술을 함께 다룬다. 또한 멤리스터 기반 바이너리 신경망, 온칩 학습, 가중치 중첩 효과, 경계 조건을 고려한 신경망 동작 등 알고리즘-소자 연계 연구를 수행하며, 하드웨어 실증 중심의 연구 방향을 분명히 보여준다. 응용 측면에서 이 연구는 초저전력 AI 가속기, 에지 인공지능, 센서 융합 연산, 조합최적화 전용 프로세서 등으로 확장 가능성이 크다. 실제로 연구실은 프로그래밍 가능한 임계 논리회로, 하드웨어 기반 인공신경망 장치, 재구성 가능한 뉴로모픽 시스템 관련 특허를 통해 소자-회로-시스템의 수직 통합 역량을 축적해 왔다. 궁극적으로는 고집적, 고효율, 저지연의 차세대 반도체 연산 플랫폼을 구현하여 인공지능 반도체의 새로운 아키텍처를 제시하는 것이 이 연구 주제의 중요한 목표이다.

연구실은 차세대 AI 반도체의 성능과 에너지 효율을 동시에 끌어올리기 위해 3차원 집적과 이종 집적 기반의 메모리-연산 융합 구조를 집중적으로 연구하고 있다. 이는 단순한 소자 개발을 넘어, 상변화 메모리, FeFET, 플래시, IGZO, Si 기반 소자를 단일 플랫폼 또는 적층 구조에서 통합하여 학습과 추론을 모두 지원하는 고성능 시스템을 구현하려는 방향이다. 특히 1000 TOPS/W 수준의 초고효율 아날로그 뉴로모픽 시스템 개발 과제는 연구실의 장기 비전을 잘 보여준다. 구체적으로는 3D V-PCM, 3D Ferroelectric NAND, Si/IGZO 모놀리식 3D 집적, 시냅스-뉴런 어레이 공동 설계, 플래시 셀 기반 메모리 확장, 그리고 프로세싱-인-메모리 구조가 주요 연구 요소로 나타난다. 이러한 연구는 단위 소자의 성능 향상뿐 아니라, 적층 공정 호환성, 열 간섭 문제, 신뢰성, 배열 간 커플링, 회로 구동 방식, 학습 알고리즘 최적화까지 동시에 고려해야 한다. 연구실은 이처럼 소자공정, 회로, 아키텍처, 응용 알고리즘을 연계하는 통합적 접근을 통해 실제 구현 가능한 AI 반도체 플랫폼을 설계한다. 이 연구 주제는 특히 스마트 모빌리티, 자율주행, 센서-메모리-신경망 통합 시스템, 초저전력 엣지 디바이스에 큰 파급력을 가진다. 데이터 이동을 최소화하고 단위 면적당 집적도를 높이는 3차원 구조는 미래 시스템반도체의 핵심 기술로 평가되며, 연구실은 이를 통해 차세대 고성능 저전력 연산 칩의 기반 기술을 선점하고자 한다. 또한 대학-센터-산학협력 과제를 통해 3D 나노융합소자와 이종집적 기술을 지속적으로 발전시키며, 반도체 산업 생태계와 직접 연결되는 실용적 연구를 수행하고 있다.

김형진 연구실은 멤리스터와 메모리 소자 연구를 넘어, 광응답성·기능성 재료를 활용한 차세대 시냅스 소자 개발에도 주력하고 있다. 최근 연구에는 Au 나노입자가 삽입된 HfTiOx/Al2O3 기반 포토닉 멤리스터, 유기 헤테로접합 기반 인공 시냅스, 납이 없는 Cs2SnI6 페로브스카이트 RRAM 등 다양한 소재 시스템이 포함된다. 이들 소자는 단순한 전기 스위칭을 넘어 빛, 온도, 파장, 시간 순서 등의 외부 자극에 반응하며 생물학적 시냅스의 가소성과 기억 전이를 모사할 수 있다는 점에서 중요하다. 연구실은 이러한 기능성 재료에서 발생하는 산소 공공, 트랩 상태, 계면 전하 이동, 광캐리어 생성, 밴드 정렬 같은 미시적 물리 현상을 활용해 소자의 비선형 응답과 학습 특성을 정밀하게 제어한다. 예를 들어, 빛-온도 길항 작동을 이용해 온도 변동 환경에서도 아날로그 신호처리를 안정화하거나, 이중 파장 자극을 통해 연상 학습 및 광논리 동작을 구현하는 방식은 기존 전기 구동형 인공 시냅스보다 한층 확장된 기능을 보여준다. 또한 유연 기판 기반 RRAM과 바이너리 신경망 응용 연구는 웨어러블·IoT 환경에 적합한 지능형 소자 개발 가능성을 제시한다. 이 연구는 미래의 시각지능 하드웨어, 광전자 뉴로모픽 시스템, 감각형 AI 센서, 환경 적응형 인공지능 디바이스로 이어질 수 있다. 연구실이 수행한 대기환경 감지용 멤리스터 기반 하드웨어 AI 프로젝트와 결합하면, 센싱-저장-추론이 한 플랫폼에서 이루어지는 현장형 지능 시스템 구현도 가능하다. 즉, 기능성 재료 연구는 단순한 소재 탐색이 아니라, 반도체 소자의 동작 원리를 넓히고 인공지능 하드웨어의 감각적·적응적 성능을 강화하는 방향으로 발전하고 있다.