QD) 층에서, 해당 장치는 확률적 트래핑-드트래핑(trapping-de-trapping) 동역학을 유도하여 광 펄스 열에 의해 무작위 광스파이크 전류를 생성한다. 스파이크 전류는 높은 엔트로피를 보이며, 2진을 넘어 다단계 난수 생성을 가능하게 하여, 근이상적 통계를 갖는 3진(ternary) 출력(33.30% 균일성, 33.28% 인터-해밍 거리)과 모든 15개 NIST 테스트에서의 완전한 성공을 제공한다. 우리는 나아가 PS-TRNG를 모바일 플랫폼 및 맞춤 설계된 회로 기판과 통합함으로써, 무단 이미지 수정에 대한 하드웨어 기반 탐지를 가능하게 하는 이미지 진위성 검증 시스템을 개발한다. 난수는 시각적 품질을 저하시키지 않은 채 이미지 데이터 내에 숨은 층(hidden layer)으로 삽입되어, 무단 수정 여부를 탐지할 수 있게 한다. 이 시스템은 AI 기반 이미지 편집 도구로 생성된 고도로 정교한 조작을 포함하는 경우에도 이미지 수정을 성공적으로 식별할 수 있다. 또한 본 장치는 200만 사이클 동안 안정적으로 동작하며, 460일이 넘는 기간 이후에도 신뢰성을 유지하여 장기 안정성을 입증한다.

이온 마이그레이션은 상전이를 유도하여 급격한 저항 스위칭과 효율적인 스파이킹을 발생시킨다. 이 장치는 보조 리셋 회로를 필요로 하지 않으면서, 누설 적분-발화(leaky integrate-and-fire), 역치 튜닝, 그리고 시공간 동역학을 포함한 핵심 신경 역동을 성공적으로 모사한다. 또한, CIPS 기반 시냅스 및 뉴런 소자를 통합하여 SNN을 구성하고, 비지도 학습 접근법을 사용하여 얼굴 분류 성능을 평가하였으며, 뉴런 소자의 측면 억제(lateral inhibition) 기능을 통해 95.83%의 인식 정확도를 달성하였다. 이러한 결과는 차세대 SNN 기반 뉴로모픽 컴퓨팅 시스템을 위한 에너지 효율적인 스파이킹 뉴런 소자 응용에서 CIPS TS-FET의 잠재력을 보여준다.

Spiking 신경망(SNNs)은 스파이크 신호를 통해 정보를 처리하고 저장함으로써 인간 두뇌의 작동 방식을 밀접하게 모사하는, 뉴로모픽 하드웨어를 위한 유망한 컴퓨팅 아키텍처로 주목받고 있다. 그러나 최근 하드웨어 SNN 구현을 위해 제안된 대부분의 시냅스 소자는 단일 도전성 극성(conductance polarity) 내에서의 아날로그 튜닝만을 보일 수 있어, 확장 가능하고 에너지 효율적인 뉴로모픽 시스템을 구현하기에는 부적절하다. 본 연구에서는 단일 소자 내에서 양(+)과 음(−)의 상태 모두에 걸쳐 도전도(conductance) 조절이 가능하도록 하는 ReS 2 /WSe 2 / h‐BN 이종구조 기반의 광전자 시냅스 소자를 제시하고, 이를 통해 양방향 도전도 조절이 가능함을 입증하였다. 이러한 양방향 가소성(bidirectional plasticity)은 O 2 플라즈마 처리된 h‐BN 가중치 제어(weight-control) 층을 통해 인가되는 전압 펄스에 의해 유도된 WSe 2 페르미 준위(Fermi level)의 정전기적 변조에서 기인한다. 해당 소자는 가역적인 광전류 극성, 시냅스 후시냅스 전류의 신뢰성 있는 강화/약화(potentiation/depression), 그리고 재현 가능한 다중 사이클 동작과 함께 시냅스 가중치의 안정적인 유지 성능을 보인다. 1024–20–3 SNN 아키텍처를 사용한 시스템 수준 시뮬레이션에서는 양방향 시냅스의 기능적 우위가 확인되었으며, 네트워크는 20회의 학습 에폭 내에서 95% 초과의 얼굴 인식 정확도를 달성한 반면, 단방향 시냅스 기반 네트워크는 75% 미만에서 정체되었다. 이러한 결과는 양방향 가소성을 갖는 광전자 시냅스 소자가 차세대 뉴로모픽 하드웨어 시스템에서 효율적인 온칩 학습을 위한 유망한 소자 플랫폼이 될 수 있음을 시사한다.

하드웨어 기반 보안 솔루션에 대한 추구는 진정한 난수 생성기(TRNG)의 중요성을 부각시켰다. 잡음 생성부터 양자 물리학의 복잡성에 이르기까지 다양한 물리적 현상이 난수 생성을 위해 탐구되어 왔다. 본 연구에서는 파장 의존적 광전류 생성과 아크 방전 조사(irradiation)를 특징으로 하는 아크 방전 광유도 TRNG(ALTRNG)를 제안한다. 쌍극성 광응답형 포토디텍터(BPPD)는 ‘1’과 ‘0’의 상태를 구분하여, 미국 국립표준기술연구소(National Institute of Standards and Technology, NIST)의 15개 테스트로 검증된 고도로 무작위적인 비트를 생성한다. BPPD의 심자외선(DUV) 및 청색광에 대한 응답은 아크 방전 조명 하에서 구별되는 광전류 생성을 가능하게 한다. ALTRNG는 진정한 무작위 신호를 생성하여 예측 불가능성, 균일한 분포 및 안정성을 갖는 비트 스트림을 산출한다. 판독 회로에서 2-kbps의 성능을 달성함으로써 무선 난수 전송을 시연하였으며, 이는 보안 비밀번호 시스템 및 인공 X-선 이미지 생성을 위한 잠재력을 강조한다.

QD) 층에서, 해당 장치는 확률적 트래핑-드트래핑(trapping-de-trapping) 동역학을 유도하여 광 펄스 열에 의해 무작위 광스파이크 전류를 생성한다. 스파이크 전류는 높은 엔트로피를 보이며, 2진을 넘어 다단계 난수 생성을 가능하게 하여, 근이상적 통계를 갖는 3진(ternary) 출력(33.30% 균일성, 33.28% 인터-해밍 거리)과 모든 15개 NIST 테스트에서의 완전한 성공을 제공한다. 우리는 나아가 PS-TRNG를 모바일 플랫폼 및 맞춤 설계된 회로 기판과 통합함으로써, 무단 이미지 수정에 대한 하드웨어 기반 탐지를 가능하게 하는 이미지 진위성 검증 시스템을 개발한다. 난수는 시각적 품질을 저하시키지 않은 채 이미지 데이터 내에 숨은 층(hidden layer)으로 삽입되어, 무단 수정 여부를 탐지할 수 있게 한다. 이 시스템은 AI 기반 이미지 편집 도구로 생성된 고도로 정교한 조작을 포함하는 경우에도 이미지 수정을 성공적으로 식별할 수 있다. 또한 본 장치는 200만 사이클 동안 안정적으로 동작하며, 460일이 넘는 기간 이후에도 신뢰성을 유지하여 장기 안정성을 입증한다.

이온 마이그레이션은 상전이를 유도하여 급격한 저항 스위칭과 효율적인 스파이킹을 발생시킨다. 이 장치는 보조 리셋 회로를 필요로 하지 않으면서, 누설 적분-발화(leaky integrate-and-fire), 역치 튜닝, 그리고 시공간 동역학을 포함한 핵심 신경 역동을 성공적으로 모사한다. 또한, CIPS 기반 시냅스 및 뉴런 소자를 통합하여 SNN을 구성하고, 비지도 학습 접근법을 사용하여 얼굴 분류 성능을 평가하였으며, 뉴런 소자의 측면 억제(lateral inhibition) 기능을 통해 95.83%의 인식 정확도를 달성하였다. 이러한 결과는 차세대 SNN 기반 뉴로모픽 컴퓨팅 시스템을 위한 에너지 효율적인 스파이킹 뉴런 소자 응용에서 CIPS TS-FET의 잠재력을 보여준다.

Spiking 신경망(SNNs)은 스파이크 신호를 통해 정보를 처리하고 저장함으로써 인간 두뇌의 작동 방식을 밀접하게 모사하는, 뉴로모픽 하드웨어를 위한 유망한 컴퓨팅 아키텍처로 주목받고 있다. 그러나 최근 하드웨어 SNN 구현을 위해 제안된 대부분의 시냅스 소자는 단일 도전성 극성(conductance polarity) 내에서의 아날로그 튜닝만을 보일 수 있어, 확장 가능하고 에너지 효율적인 뉴로모픽 시스템을 구현하기에는 부적절하다. 본 연구에서는 단일 소자 내에서 양(+)과 음(−)의 상태 모두에 걸쳐 도전도(conductance) 조절이 가능하도록 하는 ReS 2 /WSe 2 / h‐BN 이종구조 기반의 광전자 시냅스 소자를 제시하고, 이를 통해 양방향 도전도 조절이 가능함을 입증하였다. 이러한 양방향 가소성(bidirectional plasticity)은 O 2 플라즈마 처리된 h‐BN 가중치 제어(weight-control) 층을 통해 인가되는 전압 펄스에 의해 유도된 WSe 2 페르미 준위(Fermi level)의 정전기적 변조에서 기인한다. 해당 소자는 가역적인 광전류 극성, 시냅스 후시냅스 전류의 신뢰성 있는 강화/약화(potentiation/depression), 그리고 재현 가능한 다중 사이클 동작과 함께 시냅스 가중치의 안정적인 유지 성능을 보인다. 1024–20–3 SNN 아키텍처를 사용한 시스템 수준 시뮬레이션에서는 양방향 시냅스의 기능적 우위가 확인되었으며, 네트워크는 20회의 학습 에폭 내에서 95% 초과의 얼굴 인식 정확도를 달성한 반면, 단방향 시냅스 기반 네트워크는 75% 미만에서 정체되었다. 이러한 결과는 양방향 가소성을 갖는 광전자 시냅스 소자가 차세대 뉴로모픽 하드웨어 시스템에서 효율적인 온칩 학습을 위한 유망한 소자 플랫폼이 될 수 있음을 시사한다.

하드웨어 기반 보안 솔루션에 대한 추구는 진정한 난수 생성기(TRNG)의 중요성을 부각시켰다. 잡음 생성부터 양자 물리학의 복잡성에 이르기까지 다양한 물리적 현상이 난수 생성을 위해 탐구되어 왔다. 본 연구에서는 파장 의존적 광전류 생성과 아크 방전 조사(irradiation)를 특징으로 하는 아크 방전 광유도 TRNG(ALTRNG)를 제안한다. 쌍극성 광응답형 포토디텍터(BPPD)는 ‘1’과 ‘0’의 상태를 구분하여, 미국 국립표준기술연구소(National Institute of Standards and Technology, NIST)의 15개 테스트로 검증된 고도로 무작위적인 비트를 생성한다. BPPD의 심자외선(DUV) 및 청색광에 대한 응답은 아크 방전 조명 하에서 구별되는 광전류 생성을 가능하게 한다. ALTRNG는 진정한 무작위 신호를 생성하여 예측 불가능성, 균일한 분포 및 안정성을 갖는 비트 스트림을 산출한다. 판독 회로에서 2-kbps의 성능을 달성함으로써 무선 난수 전송을 시연하였으며, 이는 보안 비밀번호 시스템 및 인공 X-선 이미지 생성을 위한 잠재력을 강조한다.

FET 뉴런과 2D FeFET 시냅스를 구성하였으며, 비지도 학습을 통해 얼굴 분류 과제에서 87.5%의 높은 정확도를 달성하였다. 2D SNN을 2D 급경사 스위칭 스파이킹 신경 소자 및 2D 시냅스 소자와 통합한 결과, 에너지 효율 및 계산 능력이 향상된 뉴로모픽 시스템 개발에 큰 잠재력이 있음을 보여주었다.

본 연구에서는 CTF(Charge Trap Flash) 기반 3D NAND 플래시 메모리에서 프로그램 동작의 핵심 효율 지표인 ISPP(incremental step pulse programming) 기울기(slope)의 열화 요인을 이해하기 위한 물리적 모델을 제안한다. ISPP 동작 동안, 전하 트랩 층(CTL) 내에 포획된 전하의 위치는 채널 표면 퍼텐셜에 유의미한 영향을 미치며, 이는 다시 ${\mathbf{V}}_{\text{Th}}$에 영향을 준다. 본 연구에서는 처음으로, CTL 내에서 포획된 전하의 위치와 밀도에 대한 채널 표면 퍼텐셜의 민감도를 포착하는 ISPP 기울기 모델을 개발하였다. 연구 결과, ISPP 기울기 열화의 주요 원인은 열 평형 상태에서 부유 게이트(FG) 메모리에서 나타나는 균일한 분포와 대비되는 CTL 내 포획 전하의 비균일한 분포임을 확인하였다. 도출된 모델을 사용하여 실험적인 ISPP 기울기를 성공적으로 재현하였으며, 포획 전하를 재분배함으로써 ISPP 기울기를 개선하기 위한 밴드 엔지니어링된 CTL을 제안한다.

사물인터넷(Internet of Things, IoT)의 급속한 확장은 IoT 기기의 안전한 식별 및 인증에 관한 우려를 크게 높였다. 물리적 unclonable function(PUF) 기반 위조방지 암호는 유망함을 보이지만, 자원 제약이 있는 PUF 장치로 다중인증(Multi-Factor Authentication, MFA) 시스템을 구현하는 일은 여전히 중요한 과제로 남아 있다. 본 연구에서는 다중 색상 양자점(multi-color quantum dots, mQDs)으로 제작된 기계학습 공격에 내성을 갖는 다차원 부호화 광학 PUF를, 위조방지 MFA에 활용하기 위해 시연한다. 나노임프린트 리소그래피로 제작된 주기적 나노구조 내에 무작위로 분포된 mQDs는 자외선(UV) 빛이 단지 조사될 때 공간적으로 혼돈스럽고 예측 불가능한 다중 보안 키를 생성한다. 광발광(photoluminescence) 측정 결과, mQD 발광이 불규칙하게 나타났으며, 무질서 분포로 인해 Förster 공명 에너지 전달이 유도되어 예측 불가능한 색 패턴이 형성됨을 확인하였다. 본 PUF에 의해 유도된 다중 키는 균일성(uniformity), 고유성(uniqueness), 상관계수(correlation factor), 엔트로피(entropy) 및 기계학습 공격에 대한 내성과 같은 고급 PUF 지표를 통해 검증하였다. 또한 mQDs 기반 광학 PUF를 사용하여 IoT 응용을 위한 MFA 시스템과 암호화 프로토콜의 효율적인 구현을 추가로 시연한다. 물리적 unclonable function(PUF)을 갖는 재료 시스템은 안전한 인증을 위해 필요하다. 여기서는 다중 색상 양자점으로 제작된 다차원 부호화 광학 PUF를 다중인증을 위해 시연한다.

자율 시스템 및 엣지 AI와 같은 응용에서 비정형 데이터가 급속히 증가함에 따라, 생물학적 뇌의 예에서처럼 시냅스 가중치가 신경 스파이크의 타이밍에 따라 조정되는 스파이크-타이밍-의존성 가소성(spike-timing-dependent plasticity, STDP)으로 대표되는 에너지 효율적이고 실시간 연산의 시급한 필요성이 부각된다. 본 연구는 포토일렉트로악티브(photoelectroactive) 시냅스 소자와 아날로그 리키 통합-발화(leaky integrate-and-fire, LIF) 뉴런 회로를 집적하여, 보드 레벨에서 다채널 타이밍-의존성 스파이킹 신경망(timing-dependent spiking neural network, TD-SNN)을 최초로 실험적으로 구현하는 성과를 제시한다. 시냅스 소자는 전기적 프리시냅틱 스파이크와 광학적 포스트시냅틱 스파이크 간의 정밀한 타이밍 의존성을 활용하여 STDP를 모사하며, 포토일렉트로악티브 도핑(photoelectroactive doping)을 통해 시냅스 가중치의 가역적이고 양방향적인 조절을 가능하게 한다. 프리시냅틱 펄스의 파형을 공학적으로 설계함으로써, 상기 소자들은 헤비안(Hebbian), 안티-헤비안(anti-Hebbian), all-LTP, all-LTD를 포함한 다양한 생물학적 STDP 학습 규칙을 보여준다. 집적된 단일 채널 및 다중 채널 네트워크는 자기학습, 시스템 수준 적응, 그리고 경쟁적(competitive) 거동을 나타낸다. 실험적으로 추출한 STDP 파라미터는 SNN 시뮬레이션에 구현되었으며, 네트워크 성능은 STDP 곡선의 장기 강화/장기 억제 영역 비율(장기 강화/억제 영역 비율, LTP/D area ratio; PDR)에 의해 결정된다. PDR ≥ 1.25일 때 견고한 패턴 분류가 달성되었고, MNIST 과제에서 최대 90.9%의 정확도를 보였다. 이러한 결과는 타이밍-의존성 뉴로모픽 하드웨어에서 이정표를 이루는 것으로, 적응 및 실시간 학습 하드웨어로의 소자 수준 타당성을 입증한다.

채널의 캐리어 밀도를 정전기적으로 조절하여 페르미 준위를 제어함으로써 재구성 가능한 뉴런 및 시냅스 모드를 가능하게 하는 헤테로구조를 제시한다. 이를 통해 누출-적분-발사(leaky-integrate-and-fire, LiF) 뉴런 동작을 용이하게 한다. 또한, 추가적인 강유전체 게이팅 효과는 강유전체 쌍극자와 채널 캐리어 간의 상호작용을 통해 채널의 화학 퍼텐셜을 향상시키며, 그 결과 감소된 동작 바이어스 조건에서도 LiF 동작이 가능해진다. 시냅스 모드는 채널의 페르미 준위를 정합대(valence band) 쪽으로 이동시켜 활성화되는데, 이때 증가한 캐리어 밀도가 스크리닝 효과를 유도하여 충격 이온화(impact ionization)를 억제하고, 소자가 주로 강유전체 효과를 통해 동작하도록 하여 가중치가 조절되는 시냅스 기능을 구현한다. 단일 소자 뉴런-시냅스 통합 시스템을 기반으로 스파이킹 신경망의 소자-대-시스템 수준 시뮬레이션을 수행하였으며, 뉴런 소자의 측면 억제(lateral inhibition) 기능을 통해 인간 얼굴 인식에서 95.83%의 정확도를 달성하였다. 본 연구는 코인테그레이티드(cointegrated)되고 고도로 확장 가능한 뉴로모픽 컴퓨팅 기술을 개발하기 위한 유망한 접근을 제시한다.