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.

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