죄송합니다. 더 이상 지원되지 않는 웹 브라우저입니다.

차세대 AI 하드웨어 향상에 기여하는 나노 물질

PDF 다운로드

글/리암 크리츨리(Liam Critchley)

제공/마우저 일렉트로닉스(Mouser Electronics)

(출처: Shuo-stock.adobe.com)

현대 사회에서 인공지능(AI)은 그 어느 때보다도 더 자주 등장하고 있다. 과학적 분석이나 이미징 성능 향상에서부터 산업 분야에서의 예방 정비(Predictive Maintenance) 및 모니터링 작업, 나아가 모두가 열광하는 AI 챗봇 ChatGPT에 이르기까지, AI는 사회의 많은 영역에서 기틀을 마련하기 시작했다. AI의 능력을 제한할 수 있는 것은 오직 소프트웨어 알고리즘 실행에 영향을 미치는 하드웨어와 컴퓨팅 능력뿐이다.

나노 물질 그 자체와 나노 제조/나노 패터닝 방식 모두를 아우르는 나노 기술 분야는 이미 컴퓨팅 부품을 소형화하고, 전자 부품의 효율을 높이며, 컴퓨팅 기술의 전반적인 전력 잠재력을 향상시키는데 크게 기여하고 있다. 그 이유는 부피가 더 큰 재료를 사용할 때보다 동일 면적당 더 많은 부품을 탑재할 수 있기 때문이다.

AI 기술에 대한 컴퓨팅 및 기술적 요구사항이 사회의 모든 방면에서 높아짐에 따라, 하드웨어는 이를 뒷받침할 수 있어야 할 것이다. 나노 기술은 이미 모든 분야에서 컴퓨팅 부문을 향상시키는 데 영향을 미치고 있는데, 여기에는 AI 알고리즘을 강화하고 용이하게 만드는 데 활용되는 하드웨어도 포함된다.

멤리스티브 디바이스

나노 물질은 최근 멤리스티브(memristive) 디바이스 분야에 있어 많은 관심이 쏠리고 있으며, 나노 기술이 적용된 멤리스티브 디바이스를 활용한 연구가 다방면에 걸쳐 이루어지고 있다. 멤리스티브 디바이스는 금속/절연체/금속 스택 구조를 갖춘 2단자 디바이스로, 디바이스 전반에 걸쳐 인가된 전압과 전류의 이력을 기반으로 내부 저항 및 전도 상태를 유지할 수 있는 저항 스위치 역할을 하며, 오늘날 조사된 대부분의 멤리스터는 나노스케일 채널을 사용한다.

멤리스티브 디바이스는 이를 구성하는 박막 및 나노스케일 물질과 같은 특유의 물리적 특성으로 인해 빠른 속도와 낮은 손실로 에너지를 전환하고, 전도도를 모니터링하며, 높은 수준의 확장성을 제공한다. 오늘날 사용 가능한 멤리스티브 디바이스는 매우 다양하다. 디바이스에 사용되는 스위칭 물질과 디바이스의 스위칭 역학에 따라 드리프트 멤리스터, 확산형 멤리스터, 그리고 상변화 메모리(PCM) 디바이스와 같은 카테고리로 분류할 수 있다. PCM 디바이스의 구조는 금속층 사이에 단순히 절연층만 존재하는 것이 아니라 상변화층과 절연층이 샌드위치처럼 끼어 있기 때문에 약간 다른 점은 있지만, PCM 디바이스는 보다 발전된 형태의 멤리스티브 기술이라 할 수 있다.

일반적으로 멤리스티브 디바이스에는 읽기 모드와 쓰기 모드 이렇게 두 가지 작동 모드가 있다. 읽기 모드에서는 전도도가 아무런 방해 없이 감지되지만, 쓰기 모드에서는 디바이스의 임계값보다 큰 전압이 인가되어 전도도가 디바이스에 프로그래밍되며, 이 같은 읽기/쓰기 전압은 펄스열로 인코딩된다. PCM 디바이스는 해당 물질의 상전이를 사용하여 디바이스 전체의 저항을 변경한다는 점에서 작동 방식이 조금 다른데, 여기서 이 물질은 낮은 저항 상태의 결정성 물질에서 높은 저항 상태의 비정질 물질로 바뀌게 된다.

나노 물질 기반 멤리스터와 PCM 디바이스를 사용하여 AI 하드웨어를 향상시킬 수 있는 영역은 매우 다양하다. 멤리스티브 디바이스와 상 변화 크로스바 어레이(Phase Change Crossbar Array)는 혼성신호 추론 엔진(mixed-signal inference engine)과 컨볼루션 신경망(Convolution Neural Network, CNN) 애플리케이션을 위한 스핀 디바이스 기반 컨볼루션 가속기에 사용되어 왔다. 또한 멤리스터 디바이스는 딥 러닝 알고리즘을 위한 혼성신호 가속기뿐만 아니라 데이터 스토리지 및 아날로그 프로세싱 작업 등 다양한 딥 러닝 메모리 디바이스에서 테스트되고 있다.

멤리스터는 신경망 애플리케이션의 범위를 확장하기 위해 PIM(Processing-in-Memory) 아키텍처에서 스토리지 및 프로세싱 접근 방식에 있어서도 연구가 진행되고 있다. 또한 이 접근 방식은 개발자가 가속기에서 실행할 신경망 코드를 생성할 수 있도록 하는 소프트웨어/하드웨어 인터페이스를 사용하게 될 가능성도 있다. 최근에 소개된 나노스케일 멤리스터 디바이스를 활용한 CIM(Computing-in-Memory) 칩 역시 대기 시간을 줄이고 신경망의 정확도를 향상시킨다는 점에 있어 훨씬 더 큰 신경망 모델을 구현하는 데 도움이 될 수 있다.

자기전기 디바이스

나노 물질 기반 하드웨어 디바이스가 AI 알고리즘의 정확도와 효율성에 영향을 미칠 수 있는 또 다른 거대 영역은 자기전기(magnetoelectric) 디바이스다. 자기전기 디바이스는 자성 물질과 절연체를 적층한 층으로 구성되며, 금속층에서 전자 스핀의 분극 정렬을 이용하여 작동한다. 분극이 정렬되면 디바이스는 더 낮은 저항을 나타내게 되며, 그보다 더 높은 저항 정도는 분극의 정렬 불량 정도를 의미한다. 이 같은 디바이스는 인가 전압 또는 스핀 궤도 전류에 의해 해당 디바이스가 갖춘 단자 수에 따라 프로그래밍된다.

모든 자기전기 디바이스 중, AI 하드웨어에서 가장 가능성이 높은 것으로 보이는 디바이스는 자기 터널 접합(Magnetic Tunneling Junction, MTJ)이다. MTJ 제품군 내에는 다양한 디바이스가 존재하지만, 대부분은 절연층에 의해 분리된 두 개의 자성층으로 구성되어 있으며, 자성층 중 하나는 특정 축에 영구적으로 자화(磁化)되고 다른 층의 자화는 디바이스 전체에 걸쳐 서로 다른 저항값을 제공하도록 변경된다. MTJ 디바이스는 본질적으로 휘발성일 수도, 비휘발성일 수도 있는데, 이 중 비휘발성으로 인해 나노 기술로 강화된 AI 애플리케이션에 사용하기에 적합하다고 할 수 있다. 이 외에도 낮은 전력 소비나 나노초 미만의 스위칭 시간과 같은 특성은 MTJ를 AI 하드웨어 아키텍처에 어울리는 옵션으로 만들어줄 수 있다.

AI 애플리케이션을 위해 MTJ에 대한 연구가 진행되는 분야는 다양하다. 우선, 제한된 볼츠만 머신(Restricted Boltzmann Machine, RBM)이나 심층신뢰망(Deep Belief Networks, DBN)과 같은 확률론적 모델을 예로 들 수 있다. 이 같은 모델의 하드웨어 아키텍처는 이러한 모델에 사용되는 신경망의 다중 적층 작업을 위한 계층별 구조이다. 이 같은 아키텍처에서 나노스케일 물질의 구현은 크로스바 아키텍처를 활용했으며, MTJ와 멤리스터 시스템은 모두 이러한 모델의 하드웨어에 사용되었다. 이 하드웨어의 아키텍처 설계는 CMOS 전용 아키텍처와 유사성을 보이며, 곱셈 누적 연산을 위한 MTJ 크로스바를 사용하는 경우하고만 다르다.

MTJ가 연구 및 활용되는 또 다른 영역은 확률적 그래픽 모델(Probabilistic Graphical Model, PGM) 아키텍처이다. 연산 기능을 담당하는 셀에는 조건부 확률 테이블(Conditional Probability Table, CPT)의 형태로 연산 회로와 메모리 스토리지가 모두 탑재되어 있으며, 이 CPT에서 MTJ의 비휘발성은 완전히 연결된 신경망과 낮은 전력 소비를 제공하여 메모리 액세스의 지연을 방지한다. 이 같은 아키텍처 일부에서 MTJ 디바이스는 메모리 스토리지와 연산 회로의 역할을 모두 수행한다.

맺음말

AI는 사회의 다방면에 있어 그 영향력이 지속적으로 확대되고 있다. 나노 물질과 나노스케일 아키텍처는 오늘날 멤리스터, 상변화 물질을 이용한 디바이스, 자기 터널 접합(MTJ) 등 다양한 부품에서 테스트되고 있으며, 이는 다양한 신경망과 딥 러닝 알고리즘을 강화하는 데 기여할 수 있다. 나노 물질은 이미 컴퓨팅 하드웨어를 향상시키고 소형화하는 데 커다란 영향력을 미치고 있으며, AI 전용 하드웨어는 나노 물질 덕분에 차세대 컴퓨팅 영역에 있어 상당한 향상을 기대해볼 수 있는 영역이라 할 수 있을 것이다. 

leekh@seminet.co.kr
(끝)
<저작권자(c) 반도체네트워크, 무단 전재-재배포 금지>