뉴런 및 시냅스 소자의 단일체 3D 집적(monolithic 3D integration)은 에너지 효율적이고 소형인 뉴로모픽 하드웨어를 위한 유망한 해결책으로 여겨진다. 그러나 학습(training)과 추론(inference) 모두에서 최적의 성능을 달성하는 것은 여전히 도전적이다. 이는 이 두 과정이 신뢰할 수 있는 내구성(endurance)과 장기 유지(long retention)를 필요로 하는 서로 다른 시냅스 소자를 요구하기 때문이다. 여기서는 층별(layer-by-layer) 제작에 기반한 단일체 집적 뉴로모픽 하드웨어를 사용하여, 학습과 추론을 분리하는 디커플링(decoupling) 전략을 제안한다. 이 3D 뉴로모픽 하드웨어는 첫 번째 층에 단일 트랜지스터(1T-neuron)로 구성된 뉴런, 추론을 위한 두 번째 층에 SONOS 구조를 갖는 단일 박막 트랜지스터(1TFT-synapses)로 이루어진 장기 동작 시냅스, 그리고 학습을 위한 세 번째 층에 멤리스터(1M-synapses)로 구성된 내구성 시냅스를 포함한다. 전하 트랩(charge-trap) 층을 활용하는 1TFT-시냅스는 추론 작업에 유리한 장기 유지 특성을 나타낸다. 반면, 계면(interface)에서 음이온(anion) 이동을 활용하는 1M-시냅스는 학습 중 반복적인 가중치 업데이트(weight updates)를 위한 견고한 내구성을 보여준다. 제안된 하이브리드 시냅스 구조를 통해 내구성이 강한 1M-시냅스를 사용하여 빈번한 학습을 수행할 수 있으며, 장기 유지가 가능한 1TFT-시냅스를 사용하여 간헐적 추론을 처리할 수 있다. 시냅스 기능을 이러한 방식으로 분리하는 것은 뉴로모픽 컴퓨팅에서 신뢰할 수 있는 스파이킹 신경망(SNN)을 달성하는 데 유리하다.

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