AI & Neuromorphic Device Lab에서는 차세대 인공지능 하드웨어 구현을 위한 신개념 비휘발성 메모리 소자와 첨단 소재 개발에 주력하고 있습니다. 기존의 반도체 소자 한계를 극복하기 위해, 전기화학적 메모리(ECRAM), 멤리스터, 그리고 다양한 금속 산화물 기반 소자 등 새로운 소자 구조와 소재를 연구합니다. 이러한 연구는 AI 연산에 최적화된 고성능, 저전력, 고집적 소자 구현을 목표로 하고 있습니다. 특히, 다양한 소재의 계면 특성, 이온 이동, 전하 전달 메커니즘을 심층적으로 분석하여 소자의 신뢰성과 내구성을 높이고, 실제 AI 연산 환경에서의 효율적인 동작을 실현하고자 합니다. 최근에는 WOx, h-BN 등 다양한 소재를 활용한 소자에서 접촉 저항, 스위칭 특성, 아날로그 동작 특성 등을 정밀하게 규명하는 연구가 활발히 이루어지고 있습니다. 이를 통해 소자의 미세구조와 전기적 특성 간의 상관관계를 규명하고, 소재-소자-시스템 통합 최적화를 추구합니다. 이러한 신개념 소자 및 소재 연구는 AI 하드웨어의 에너지 효율성과 연산 성능을 획기적으로 향상시킬 수 있는 기반 기술을 제공합니다. 미래의 인공지능 시스템에서 요구되는 대규모 데이터 처리, 실시간 학습, 저전력 동작 등 다양한 요구사항을 만족시키는 핵심 원천기술로 자리매김하고 있습니다.

본 연구실은 저항성 크로스포인트 어레이 구조를 활용한 뉴로모픽 하드웨어 구현에 집중하고 있습니다. 크로스포인트 어레이는 대규모 신경망 연산을 병렬적으로 처리할 수 있는 구조로, 아날로그 방식의 가중치 저장과 연산이 가능하여 기존 디지털 방식 대비 월등한 에너지 효율과 연산 속도를 자랑합니다. 이를 위해, 저항성 메모리 소자(RRAM, ECRAM 등)를 기반으로 한 어레이 설계, 동작 알고리즘, 그리고 신뢰성 향상 기술을 개발하고 있습니다. 연구실에서는 Tiki-Taka 알고리즘, retention-aware zero-shifting 등 다양한 신경망 학습 및 연산 최적화 기법을 어레이 구조에 적용하여, 실제 딥러닝 가속기 및 AI 칩 구현에 필요한 핵심 기술을 확보하고 있습니다. 또한, 소자 특성의 비이상성, 비대칭성, 잡음 등 현실적인 한계를 극복하기 위한 하드웨어-소프트웨어 협력 최적화 연구도 병행하고 있습니다. 이를 통해, 대규모 신경망 학습 및 추론에서의 정확도와 신뢰성을 극대화하고 있습니다. 이러한 저항성 크로스포인트 어레이 기반 뉴로모픽 하드웨어 연구는 차세대 인공지능 시스템의 실시간 학습, 초저전력 연산, 엣지 컴퓨팅 등 다양한 응용 분야에서 혁신적인 변화를 이끌고 있습니다. 실제로, 본 연구실의 기술은 다양한 특허와 논문, 산학협력 프로젝트를 통해 국내외에서 그 우수성을 인정받고 있습니다.

AI & Neuromorphic Device Lab은 뇌의 신경망 구조와 동작 원리를 모방한 브레인-인스파이어드 컴퓨팅 및 뉴로모픽 응용 연구를 선도하고 있습니다. 뉴로모픽 하드웨어는 인간 두뇌의 병렬적이고 에너지 효율적인 정보 처리 방식을 전자 소자와 회로에 구현하여, 기존 컴퓨터 아키텍처의 한계를 극복하고자 합니다. 이를 위해, 시냅스 및 뉴런 기능을 모사하는 다양한 소자와 회로를 개발하고, 실제 신경망 학습 및 추론에 적용하고 있습니다. 특히, 저전력·고효율 AI 하드웨어 구현을 위한 아날로그 신경망, 멀티비트 ECRAM 기반 시스템, 고정밀 신호 판독 기술 등 다양한 하드웨어-알고리즘 융합 연구가 활발히 이루어지고 있습니다. 또한, 비이상적 소자 특성에 강인한 신경망 학습 방법, 하드웨어 기반 딥러닝 가속기, 생체 신호 처리 등 실제 응용을 위한 시스템 수준의 연구도 병행하고 있습니다. 이러한 브레인-인스파이어드 컴퓨팅 연구는 차세대 인공지능의 실시간 학습, 자율주행, 로봇, IoT, 바이오메디컬 등 다양한 분야에서 혁신적인 응용 가능성을 제시합니다. 본 연구실은 소재-소자-회로-시스템을 아우르는 전주기적 연구를 통해, 미래 인공지능 사회의 핵심 인프라 구축에 기여하고 있습니다.