시냅스 트랜지스터 및 RRAM 재료 기반 학습 가중치 소자 연구

Synaptic Transistors and RRAM Materials for Learning-Weight Devices

연구 내용

리튬이온 전해질 시냅스 트랜지스터와 무기 박막 기반 RRAM 소자의 비선형/선형 매핑 특성을 활용해 학습 가중치 업데이트를 안정화하는 연구

학습 가중치로 동작하는 비휘발성 소자를 대상으로 재료-소자-회로 관점의 설계를 수행합니다. 리튬이온 기반 LATP 전해질을 적용한 올-솔리드-스테이트 시냅스 트랜지스터에서 선형 가중치 매핑과 업데이트 특성을 검토하고, 소자 전기적 특성이 인식 성능 변동에 미치는 영향을 분석합니다. 또한 Cs2SnI6 같은 납-프리 페로브스카이트를 저항변화 메커니즘의 가중치층으로 활용해 자기-컴플라이언스 스위칭을 구현하고 바이너리 신경망에서의 성능 대응성을 평가합니다. 더불어 SiN RRAM의 전도도 비선형 및 양자화 동역학을 학습 통합 관점에서 해석하며, 강유전체 메모리 전반에 대해서는 소재-소자 공동 설계 이슈와 in-memory computing 적용 과제를 정리합니다.

관련 프로젝트

0건

연구 흐름

초기에는 시냅스 트랜지스터에서 전해질 두께와 같은 재료 조건을 조절하여 가중치 매핑의 선형성과 업데이트 안정성을 확보하는 방향으로 접근했습니다. 이후에는 납-프리 페로브스카이트 기반 RRAM을 통해 다중 비트 스위칭과 자기-컴플라이언스 특성을 구현하고, 바이너리 신경망 적용에서 가중치 상태 편향과 변동의 영향을 실험적으로 확인했습니다. 2025년에는 수직 SiN RRAM에서 전도도 비선형 및 양자화된 동역학을 기반으로 메모리-러닝 통합 가능성을 검토하고, 강유전체 메모리의 재료-소자 공동 설계 관점에서 in-memory computing으로의 확장 과제와 향후 방향을 종합 정리했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

비휘발성 시냅스 트랜지스터 가중치 소자
선형/비선형 전도도 기반 학습 업데이트
납-프리 페로브스카이트 RRAM 가중치
자기-컴플라이언스 스위칭 저오차 설계
수직 RRAM 기반 고집적 학습 메모리
전도도 양자화 동역학 기반 추론
재료-소자 공동 설계 가이드
변동 허용 기반 임베디드 AI 메모리
웨어러블용 저전력 비휘발성 연산
in-memory computing용 차세대 비휘발성 빌딩블록