주요 논문
5
*2026년 기준 최근 6년 이내 논문에 한해 Impact Factor가 표기됩니다.
1
Article
|
·
인용수 2
·
2025Physical reservoir computing system fully implemented using a single flash memory device via tailored decay pulse modulation
Donghyun Ryu, Suyong Park, Seongmin Kim, Seongmin Kim, Hyeon Ho Lee, Sungjun Kim, Sungjun Kim, Woo Young Choi
IF 17.1 (2025)
Nano Energy
https://doi.org/10.1016/j.nanoen.2025.111525
Reservoir computing
MNIST database
Scalability
Non-volatile memory
Neuromorphic engineering
Flash memory
Flash (photography)
Leakage (economics)
Dynamic random-access memory
2
Article
|
·
인용수 36
·
2024Memristive Architectures Exploiting Self-Compliance Multilevel Implementation on 1 kb Crossbar Arrays for Online and Offline Learning Neuromorphic Applications
Sungjoon Kim, Sungjoon Kim, Hyeonseung Ji, Kyungchul Park, Hyojin So, Hyungjin Kim, Sungjun Kim, Sungjun Kim, Woo Young Choi
IF 16 (2024)
ACS Nano
과도 현상(overshoot)과 구동 전류를 줄이기 위해 구조 최적화를 수행하였으며, 균일한 쌍극성(bipolar) 저항 스위칭 거동과 아날로그 스위칭 특성을 검증하였다. 또한 광범위한 전기 펄스 자극을 확인하여 장기 강화(long-term potentiation, LTP), 장기 억제(long-term depression, LTD) 및 기타 형태의 시냅스 가소성을 평가하였다. 우리는 온라인 학습 신경망을 훈련하기 위한 LTP 및 LTD 특성이 MNIST 분류에서 92.36%의 정확도를 가능하게 함을 확인하였다. 오프라인 학습 신경망에서 SC 모드의 양자화된 다중 레벨(multilevel)은 95.87%를 달성하였다. 마지막으로 32 × 32 크로스바 배열은 MNIST 이미지를 분류하기 위한 스파이킹 신경망 기반 VMM 연산을 시연하였다. 그 결과, 가중치 프로그래밍 오류는 소프트웨어 기반 신경망에 비해 정확도 저하를 1.2% 포인트에 그치게 만든다.
https://doi.org/10.1021/acsnano.4c06942
MNIST database
Crossbar switch
Neuromorphic engineering
Computer science
Artificial neural network
Memristor
Overshoot (microwave communication)
Resistive random-access memory
Spiking neural network
Materials science
3
Article
|
·
인용수 2
·
2024Resting-potential-adjustable soft-reset integrate-and-fire neuron model for highly reliable and energy-efficient hardware-based spiking neural networks
Kyungchul Park, Sungjoon Kim, Min-Hye Oh, Woo Young Choi
IF 6.5 (2024)
Neurocomputing
https://doi.org/10.1016/j.neucom.2024.127762
Computer science
Reset (finance)
Spiking neural network
Biological neuron model
Artificial neural network
Energy (signal processing)
Artificial intelligence
Computer hardware
Neuron
Embedded system
4
Article
|
인용수 3
·
2023Logic‐Compatible Charge‐Trapping Tunnel Field Effect Transistors for Low‐Power, High‐Accuracy, and Large‐Scale Neuromorphic Systems
Jae Seung Woo, Chae Lin Jung, Ki Ryung Nam, Woo Young Choi
IF 6.8 (2023)
Advanced Intelligent Systems
전하-트래핑 터널 전계효과 트랜지스터(CT-TFET)는 실험적으로 시연되었으며, 저전력 대규모 뉴로모픽 응용을 위한 어레이 동작이 논의되었다. CT-TFET는 전하-트래핑 금속–산화물–반도체 전계효과 트랜지스터(CT-MOSFET)와 상보성 금속–산화물–반도체 논리 공정으로 공통 통합(cointegrated)되어, CT-MOSFET에 비해 ≈2,000배 낮은 온 전류(I on )와 ≈3,000배 낮은 오프 전류(I off )를 보이며, 고정밀 대규모 뉴로모픽 시스템에 적합하다. 실험 및 시뮬레이션 결과에 따르면, CT-TFET는 CT-MOSFET의 아날로그 벡터-행렬 곱셈보다 더 정확한 아날로그 벡터-행렬 곱셈을 구현함으로써 CT-MOSFET를 능가하는데, 이는 다음 두 가지 이유 때문이다. 첫째, CT-TFET는 CT-MOSFET에 비해 더 낮은 I on 로 인해 IR 강하가 더 작다. 둘째, 전자는 채널 길이 변조(channel length modulation)가 약하기 때문에 후자보다 IR 강하에 더 강건하다. 예를 들어, CT-MOSFET와 달리 제안된 CT-TFET는 1 Ω 와이어 저항에도 불구하고 가중치 열화가 무시할 만하게 나타난다. CT-TFET 어레이는 CT-MOSFET 어레이에 비해 전력 소비가 ≈700배 낮고 MNIST 분류 정확도가 ≈10% 더 높아, 광범위하고 다양한 뉴로모픽 컴퓨팅 응용에 유망하다.
https://doi.org/10.1002/aisy.202300242
Neuromorphic engineering
Materials science
Optoelectronics
Field-effect transistor
Transistor
Threshold voltage
MOSFET
Ultra low power
Electronic engineering
Computer science
5
Article
|
·
인용수 59
·
2023Synaptic Characteristics and Vector‐Matrix Multiplication Operation in Highly Uniform and Cost‐Effective Four‐Layer Vertical RRAM Array
Jihyung Kim, Subaek Lee, Sungjoon Kim, Sungjoon Kim, Seyoung Yang, Jung‐Kyu Lee, Tae‐Hyeon Kim, Muhammad Ismail, Chandreswar Mahata, Yoon Kim, Woo Young Choi, Sungjun Kim, Sungjun Kim
IF 18.5 (2023)
Advanced Functional Materials
본 연구는 4층 컨택트 홀 구조를 갖는 고도로 균일한 3차원 수직 적층 저항성 랜덤 액세스 메모리(Vertical stack resistive random-access memory, VRRAM)를 구현한다. 4층 VRRAM의 제조 공정을 시연하고, 그 물리적 및 전기적 특성을 철저히 고찰한다. X선 광전자 분광법(X-ray photoelectron spectroscopy)과 투과 전자 현미경(transmission electron microscopy)을 사용하여 VRRAM 소질의 화학적 분포 및 물리적 구조를 분석한다. 멀티레벨 동작 능력, 신뢰성 있는 내구성(>10 4 cycles), 및 보존성(10 4 s)을 성공적으로 확보하였다. 스파이크 시간 의존성 가소성(spike time-dependent plasticity), 스파이크율 의존성 가소성(spike rate-dependent plasticity), 흥분성 시냅스 후 전류(excitatory post-synaptic current), 페어드-펄스 촉진(paired-pulse facilitation), 장기 강화 및 장기 억제(long-term potentiation and depression)와 같은 시냅스 메모리 가소성을 제시한다. 마지막으로, 저항 낮은 상태 비율(low resistance state ratio)에 따라 4×12 VRRAM 어레이에서 벡터-행렬 곱셈(vector-matrix multiplication, VMM) 연산을 수행한다. VMM 오류로 인해 발생할 수 있는 정확도 저하가 0.44%p 미만의 감소로 제한될 수 있음을 확인한다. VRRAM의 고밀도, 멀티레벨 및 생물학적 특성을 활용함으로써, 조밀하게 집적된 시냅스 소자를 필요로 하는 고성능 뉴로모픽 시스템을 구현할 수 있다.
https://doi.org/10.1002/adfm.202310193
Materials science
Resistive random-access memory
Neuromorphic engineering
Stack (abstract data type)
Optoelectronics
Computer science
Voltage
Electrical engineering
Artificial neural network