RnDCircle Logo
Device Research Laboratory
서울시립대학교 첨단융합학부 강명곤 교수
Memristor
Neuromorphic computing
Resistive switching
홈
연구 영역
기본 정보
논문·특허
과제
구성원
홈

Device Research Laboratory

서울시립대학교 첨단융합학부 강명곤 교수

Device Research Laboratory는 반도체 소자 및 차세대 메모리, 회로 설계, 분석, 모델링 분야에서 세계적인 연구를 수행하고 있습니다. 본 연구실은 3D NAND 플래시 메모리, DRAM, 차세대 메모리 소자(FeNAND, IGZO, 멤리스터 등)의 구조적 혁신과 신뢰성 향상, 그리고 회로 설계 최적화에 중점을 두고 있습니다. 다양한 소재와 공정 기술을 적용하여, 고집적, 고성능, 저전력 특성을 갖춘 미래형 메모리 소자 및 회로를 개발하고 있습니다. 특히, 폰노이만 병목을 극복하기 위한 로직-인-메모리(Logic-in-Memory, LiM), 컴퓨팅-인-메모리(Computing-in-Memory, CIM) 등 인공지능 및 뉴로모픽 시스템 구현을 위한 차세대 메모리 소자와 회로 연구를 활발히 진행하고 있습니다. 플로팅 게이트 FET, 멤리스터, 저항변화 메모리 등 다양한 소자 구조와 소재를 기반으로, 멀티레벨 셀, 아날로그 저항 가변, 시냅스 모방 특성 등 혁신적인 기능 구현에 집중하고 있습니다. 또한, 초미세 반도체 소자(나노플레이트, GAA, FinFET, 나노와이어 FET 등)의 신뢰성 및 열적 특성 분석에도 많은 연구 역량을 투입하고 있습니다. 셀프 히팅 효과, 단락 채널 효과, 방사선 내성 등 미세화에 따른 다양한 신뢰성 문제를 해결하기 위해 첨단 시뮬레이션과 실험적 분석을 병행하고 있습니다. 이를 통해 소자의 성능 한계 극복과 신뢰성 향상에 기여하고 있습니다. 본 연구실은 반도체 소자 및 회로의 모델링, 시뮬레이션, 실험적 검증을 아우르는 융합적 연구를 통해, 산업계와 학계에 실질적인 해법을 제공하고 있습니다. 다양한 산학연 협력 프로젝트와 정부 지원 연구과제를 수행하며, 미래 반도체 산업을 선도할 핵심 인재 양성에도 힘쓰고 있습니다. 앞으로도 Device Research Laboratory는 반도체 소자 및 차세대 메모리, 인공지능 하드웨어, 초미세 소자 신뢰성 분야에서 혁신적인 연구를 지속적으로 추진하며, 글로벌 반도체 기술 발전에 기여할 것입니다.

MemristorNeuromorphic computingResistive switching3D NAND FlashProcessing in Memory
대표 연구 분야
연구 영역 전체보기
시냅스 모사형 RRAM 기반 뉴로모픽 컴퓨팅 연구 thumbnail
시냅스 모사형 RRAM 기반 뉴로모픽 컴퓨팅 연구
Synaptic-emulation RRAM for neuromorphic computing
연구 분야 상세보기
3D NAND 및 V-NAND 셀 안정성/성능 엔지니어링 연구 thumbnail
3D NAND 및 V-NAND 셀 안정성/성능 엔지니어링 연구
Stability and performance engineering of 3D NAND/V-NAND
연구 분야 상세보기
비휘발성 메모리-로직/온디바이스 인공지능 인-메모리 회로 연구 thumbnail
비휘발성 메모리-로직/온디바이스 인공지능 인-메모리 회로 연구
In-memory memory-logic for non-volatile computing on-device AI
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
5
논문 전체보기
1
Article
|
·
인용수 25
·
2024
Engineering of TiN/ZnO/SnO2/ZnO/Pt multilayer memristor with advanced electronic synapses and analog switching for neuromorphic computing
Muhammad Ismail, Sunghun Kim, Sunghun Kim, Maria Rasheed, Chandreswar Mahata, Myounggon Kang, Sungjun Kim, Sungjun Kim
IF 6.3 (2024)
Journal of Alloys and Compounds
https://doi.org/10.1016/j.jallcom.2024.175411
Neuromorphic engineering
Memristor
Materials science
Spike-timing-dependent plasticity
Optoelectronics
Computer science
Electronic engineering
Artificial neural network
Long-term potentiation
Artificial intelligence
2
Article
|
인용수 76
·
2023
Mimicking biological synapses with a-HfSiOx-based memristor: implications for artificial intelligence and memory applications
Muhammad Ismail, Maria Rasheed, Chandreswar Mahata, Myounggon Kang, Sungjun Kim
IF 13.4 (2023)
Nano Convergence
Abstract Memristors, owing to their uncomplicated structure and resemblance to biological synapses, are predicted to see increased usage in the domain of artificial intelligence. Additionally, to augment the capacity for multilayer data storage in high-density memory applications, meticulous regulation of quantized conduction with an extremely low transition energy is required. In this work, an a-HfSiO x -based memristor was grown through atomic layer deposition (ALD) and investigated for its electrical and biological properties for use in multilevel switching memory and neuromorphic computing systems. The crystal structure and chemical distribution of the HfSiOx/TaN layers were analyzed using X-ray diffraction (XRD) and X-ray photoelectron spectroscopy (XPS), respectively. The Pt/a-HfSiO x /TaN memristor was confirmed by transmission electron microscopy (TEM) and showed analog bipolar switching behavior with high endurance stability (1000 cycles), long data retention performance (10 4 s), and uniform voltage distribution. Its multilevel capability was demonstrated by restricting current compliance (CC) and stopping the reset voltage. The memristor exhibited synaptic properties, such as short-term plasticity, excitatory postsynaptic current (EPSC), spiking-rate-dependent plasticity (SRDP), post-tetanic potentiation (PTP), and paired-pulse facilitation (PPF). Furthermore, it demonstrated 94.6% pattern accuracy in neural network simulations. Thus, a-HfSiO x -based memristors have great potential for use in multilevel memory and neuromorphic computing systems. Graphical Abstract
https://doi.org/10.1186/s40580-023-00380-8
Neuromorphic engineering
Memristor
Materials science
Computer science
Artificial neural network
Resistive random-access memory
Synaptic weight
Optoelectronics
Voltage
X-ray photoelectron spectroscopy
3
Article
|
·
인용수 47
·
2023
Nano-crystalline ZnO memristor for neuromorphic computing: Resistive switching and conductance modulation
Muhammad Ismail, Maria Rasheed, Chandreswar Mahata, Myounggon Kang, Sungjun Kim
IF 5.8 (2023)
Journal of Alloys and Compounds
https://doi.org/10.1016/j.jallcom.2023.170846
Neuromorphic engineering
Memristor
Materials science
X-ray photoelectron spectroscopy
Optoelectronics
Conductance
Transmission electron microscopy
Artificial neural network
Nanotechnology
Computer science
최신 정부 과제
10
과제 전체보기
1
2025년 4월-2029년 12월
|446,300,000원
온디바이스 AI를 위한 강유전체 기반 초저전력/비휘발성 SRAM 회로 기술 개발
[최종목표]ㅇ 온디바이스 AI를 위한 강유전체 기반 초저전력/비휘발성 SRAM 회로 기술 개발[1차년도 목표]ㅇ 강유전체 및 Baseline 단위소자 특성 최적화ㅇ 멀티게이트 구조 트랜지스터 특성 평가 및 컴팩트 모델 개발[2차년도 목표]ㅇ CMOS 및 TFT 기반 FeFET 소자 제작 및 특성 최적화ㅇ 강유전체 멀티게이트 구조 트랜지스터 특성 평가 및 컴...
온디바이스 인공지능
초저전력
비휘발성
강유전
정적 램
2
2021년 5월-2024년 12월
|5,100,355,000원
전하저장형 메모리 기반 PIM 개발
본 과제는 eFlash 기반 PIM 기술을 활용하여 MNIST 수준의 이미지를 95% 이상의 정확도로 인지하는 실시간 고에너지효율 인공신경망 추론 칩을 개발하는 것을 최종 목표로 함. 특히 에너지 자원이 매우 한정적인 edge 또는 모바일 디바이스에 특화된 실시간 인공신경망 추론 시스템 구현을 위해 한 번의 추론 동작에 소모되는 에너지 소모량과 연산 시간을...
임베디드 플래쉬
프로세싱 인 메모리
저전력
인공신경망
추론
3
2021년 3월-2024년 1월
|584,000,000원
폰노이만 병목의 궁극적 해결을 위한 CMOS 기반 메모리 로직 일체형 소자 및 아키텍처
본 과제는 기존 CMOS 공정으로 구현 가능한 플로팅게이트 결합 트랜지스터(Floating gate coupled FET, FGFET)를 이용해 로직 회로 면적을 줄이고 비휘발성 로직을 구현하기 위한 소자·회로·아키텍처 개발 연구임. 연구 목표는 수평 폭 50 nm 이하 소자, 스위칭 시간 10 ns 미만, 1초 이상의 비휘발성, Ion/Ioff 10^8 이상 수직트랜지스터 기술 확보와 compact model 개발, 인버터 수준의 NAND/NOR 및 D flip-flop 구현에 있음. 핵심 내용은 VFET 소자 제조 공정 설계, TCAD 기반 물리 모델 및 calibration, compact modeling, 단위회로 시뮬레이션과 최적 아키텍처 설계임. 기대 효과는 면적 50% 이상 감소, 전력·지연 15% 이상 감소와 신뢰성 향상, 차세대 인-메모리 융합 소자기술 선도 기반 마련임.
수직트랜지스터
플로팅게이트 결합 트랜지스터
센스트랜지스터
플로팅게이트
플립플롭
재구성트랜지스터
논리게이트
폰
최신 특허
특허 전체보기
상태출원연도과제명출원번호상세정보
등록2021수직 전계 효과 트랜지스터 및 그 제조 방법1020210176041
전체 특허

수직 전계 효과 트랜지스터 및 그 제조 방법

상태
등록
출원연도
2021
출원번호
1020210176041
연구실 하이라이트
연구실의 정보를 AI가 요약해서 키워드 중심으로 정리해두었어요
차세대메모리
차세대 3D NAND 혁신: 저전력·고속 FeNAND 기술
AI 요약 확인하기
AI반도체
폰노이만 한계 극복: 뉴로모픽 컴퓨팅용 인공 시냅스 소자
AI 요약 확인하기
초미세공정
3nm 이하 초미세 공정 신뢰성 분석 플랫폼
AI 요약 확인하기
산업응용
소자-회로 설계 격차 해소: 산업 맞춤형 컴팩트 모델링 기술
AI 요약 확인하기
성능최적화
3D NAND 수율 및 성능 극대화 솔루션
AI 요약 확인하기
연구자역량
삼성전자 메모리사업부 출신 연구책임자의 산업 현장 전문성
AI 요약 확인하기
맞춤형 인사이트 리포트
연구실의 전체 데이터를 활용한 맞춤형 인사이트 리포트
연구 트렌드부터 공동 연구 방향성 기획까지
연구실과 같이 할 수 있는게 무엇인지,
지금 바로 확인해보세요
무료 리포트 확인하기