부유게이트 멤리스터 기반 뉴로모픽 학습·추론 소자 연구

Floating-gate memristor based neuromorphic learning and inference research

연구 내용

다단자 부유게이트 멤리스터의 시간-공간적 합산과 뉴런-시냅스 기능을 결합하여 스파이킹 신경망 학습과 분류를 구현하는 연구

부유게이트 구조를 갖는 멤리스터를 이용해 다단자 입력을 뉴런 막에서의 시간적·공간적 합산 동작으로 모델링하는 연구를 수행합니다. 레키-어짐 기능과 STDP 기반 시냅스 응답을 소자 레벨에서 결합하고, 웨이퍼 스케일 이종접합을 통해 회로 통합 가능성을 확보합니다. 또한 상전이형 또는 저전압-안정화 스위칭을 위한 재료·구조 설계를 병행하여 학습 효율과 재현성을 동시에 고려하는 차별성을 보유하고 있습니다.

관련 프로젝트

3건

연구 흐름

초기에는 다단자 부유게이트 멤리스터의 삼극(트라이오드) 영역 동작을 바탕으로 스파이크 적분이 가능한 소자 동작을 정립했습니다. 이후 멀티뉴런 연결을 시간-공간 합산으로 재현하는 뉴로시냅스 모델을 구성하고, 레키-어짐 뉴런과 STDP 시냅스 기능을 소자 특성에 매핑하는 방향으로 확장했습니다. 최근에는 그래핀/산화물/반도체 이종접합 기반 웨이퍼 스케일 어레이와 저전압·안정 스위칭 재료를 적용하여 실제 뉴로모픽 시스템의 구현성을 높이고, 합성곱 신경망 풀링층과 엣지 AI 회로로 응용을 연결하는 궤적을 보입니다.

활용 가능성

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

스파이킹 신경망 추론 하드웨어
합성곱 신경망 풀링층 구현
에너지 고효율 엣지 AI 가속기
비지도 학습 분류 회로
웨이퍼 스케일 뉴로모픽 어레이
재구성형 뉴로시냅스 인터페이스
저전압 학습 소자 플랫폼
뉴런-시냅스 동시 통합 구조
CMOS-공정 연계 스택 설계
학습률 제어가 가능한 시냅스 구현