신경형(뉴로모픽) 컴퓨팅은 기존의 폰 노이만(von Neumann) 컴퓨팅에 비해 대규모 데이터 처리를 위한 에너지 효율적인 연산을 제공한다. 신경형 컴퓨팅에서 학습 및 기억 연산을 위한 핵심 요소인 인공 시냅스는 다중 상태 특성을 요구하며, 그 상태를 변경하고 저장할 수 있어야 한다. 비휘발성 메모리를 이용한 하드웨어 기반 인공 시냅스의 구현은 현재 사용되고 있는 CMOS 기반 대응체에 비해 에너지 소비와 회로 면적 측면에서 상당한 이점을 제공한다. 이러한 맥락에서 스핀트로닉 소자는 인공 시냅스에 대해 다중 레벨 형성 가능성(multilevel formability), 비휘발성(non-volatility), 우수한 기록 성능(outstanding writing performance)을 포함한 바람직한 특성으로 인해 유망한 후보로 부상해 왔다. 본 연구에서는 전압 제어 기반 다중 레벨 자기 상태를 활용하는 스핀트로닉 인공 시냅스와, 이에 연계된 에너지 및 면적 효율적인 인공 신경망 아키텍처를 시연한다. 다중 레벨 상태는 자기 쉬운축(magnetic easy-axis) 방향을 수직 방향에서 평면 내 방향으로, 그리고 그 반대로 점진적으로 조절함으로써 생성되며, 이는 게이트 전압 펄스를 순차적으로 적용하거나 게이트 전압의 펄스 폭을 조정함으로써 달성된다. 이러한 스핀트로닉 인공 시냅스를 기반으로 합성곱 신경망(convolutional neural network; CNN) 및 스파이킹 신경망(spiking neural network; SNN) 아키텍처를 구성하였으며, 향상된 에너지 효율과 감소된 회로 면적을 보이면서 MNIST 데이터셋에 대해 높은 인식 정확도를 보여준다.

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