메모리스터는 병렬 메모리 내(in-memory) 컴퓨팅을 통해 에너지 효율적인 인공지능(AI) 하드웨어를 개발할 수 있는 상당한 잠재력을 지니며, 이로써 오랫동안 지속되어 온 폰 노이만(von Neumann) 병목 현상을 극복할 수 있다. 그러나 이들의 광범위한 도입은 두드러진 사이클-투-사이클(C2C) 및 디바이스-투-디바이스(D2D) 변동성으로 인해 저해되고 있다. 본 연구는 메모리스터 기반 인공지능 소자에서 핵심 과제를 해결하기 위한 새로운 접근법을 제시한다. 우리는 Fe50W50 하이브리드 나노복합 메모리스터로 10×10 크로스바 어레이를 제작하여, 형성(forming) 공정 없이 구동되는 동작, 낮은 변동성, 낮은 전력 소모를 동반한 높은 신뢰성을 입증하였다. 해당 소자들은 형성 공정 없이, 변동성이 낮으며, 초저전력 소비를 바탕으로 매우 신뢰성 높은 스위칭 특성을 보인다. 나노복합 내에서 정렬된 결정립 경계(aligned grain boundaries)는 필라멘트 형성을 잘 제어할 수 있게 하여 저항 스위칭 특성의 일관성을 보장한다. 이러한 특성을 활용하여 저장소 컴퓨팅(reservoir computing, RC) 아키텍처를 구현하였고, 4비트 입력 분리성(input separability), 단기(감쇠) 메모리(short-term fading) 및 강한 에코-상태(echo-state) 특성에 의해 규정되는 견고한 성능을 확인하였다. 시스템은 손글씨 문자 인식에서 98.79%, 의류 분류에서 88.92%, 숫자 인식에서 91.51%의 우수한 패턴 인식 정확도를 달성하였으며, 다중 특성 분류에서 87.82%의 정확도와 제스처 인식에서 98.62%의 정확도를 함께 보임으로써 시공간 처리(spatiotemporal processing)에서의 다재다능함을 강조한다. 이러한 재료-알고리즘 공동 설계(material algorithm co-design) 프레임워크는 계산 효율을 향상시킬 뿐 아니라, 메모리스터 기반 AI 시스템에서의 핵심 신뢰성 문제를 해결하여, 확장 가능하고 에너지 효율적인 뉴로모픽 컴퓨팅 아키텍처로의 길을 열어준다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.