* 그림: 생물학적 시냅스와 이를 모사하는 시냅틱 트랜지스터의 개념도

전자공학과 이성식 교수 연구팀이 생물학적 시냅스의 기능을 모사하는 저전력 시냅틱 트랜지스터* 원리 및 구조를 제안해 인공지능 분야 최상위 저널 중의 하나인 『IEEE Transactions on Neural Networks and Learning Systems (TNNLS)』에 최근 소개됐다.(2018년 기준, IF: 11.683, JCR 상위 0.95%)

* 트랜지스터: 반도체 재료 등으로 만들어진 일종의 스위칭 기능을 하는 소자.

‘시냅틱 트랜지스터(Synaptic Transistor)’란, 우리 뇌에 있는 뉴런과 뉴런 사이의 신호를 전달하는 매개체인 ‘시냅스’를 모사한 소자다. 신호를 전달하면서도 전달 횟수(훈련)에 따라 접합의 강도가 달라지고 한동안 유지되는 메모리(기억) 기능을 동시에 갖는다. 또한, 생물학적 시냅스는 입력전압 신호를 전압(전기적 압력) 신호의 형태로 출력에 나타낸다. 이 과정은 매우 적은 전력(단위 시간당 에너지)으로도 가능하다. 반면, 기존의 시냅틱 트랜지스터는 입력신호를 출력에서 전류(전하의 흐름) 신호 형태로 나타내며 높은 전력소모를 갖는다는 단점이 있다.

※ 전류와 전압: ‘전류(단위: A, 암페어)’는 전하의 흐름이며, ‘전압(단위: V, 볼트)’은 전류를 흐르게 하는 전기적 압력(도체 내 두 점 사이의 전기적인 위치 에너지의 차)이라고 볼 수 있다. 전선에 흐르는 ‘전류’, 건전지의 ‘전압’을 생각하면 이해하기 쉽다.

이번 연구는 지능형 반도체, 즉 생물학적 시냅스처럼 적은 전력을 소모하면서 전압신호를 직접 출력하는 시냅틱 트랜지스터의 동작원리와 구조를 제안한 것으로, 신호의 형태와 전력소모 관점에서 생물학적 시냅스의 특성에 보다 가까운 형태라고 볼 수 있다.

<저자: 왼쪽부터, 석박사 통합과정 강연수, 장지웅, 차단영 학생, 연구 지도를 맡은 이성식 교수(교신저자)>

생물학적인 뇌에는 1천억 개의 뉴런이 있고, 뉴런과 뉴런 사이에는 100조 개의 시냅스가 존재하며, 총 20W(와트) 정도의 전력을 소모한다. 뉴런 하나가 0.2nW(나노와트, 10억분의 1W)의 매우 적은 전력을 소모하는 셈이다.

각각의 뉴런에는 평균 1,000개의 시냅스가 연결돼 있다고 볼 수 있는데, 이들은 전압 신호를 입력과 출력 측의 신호 형태로 가지며 동시에 정보를 저장하는 메모리 역할을 수행한다. 1,000개의 시냅스 신호는 상호 영향(Synaptic Crosstalk)을 주며, 뉴런 입력부에서는 그 신호들의 합으로 얻어질 큰 신호를 일종의 Normalize(정규화)하는 Homeostatic Scaling(항상성 조절) 과정을 통해 초저전력 신호 처리를 담당한다. 역으로 보면, 1,000개의 시냅스 모두가 활성화되더라도 뉴런은 이 같은 신호처리 과정을 통해 저전력 성능을 유지할 수 있게 되는 것이다.

이러한 초저전력 특성의 생물학적 시냅스를 반도체 소자 기능으로 모사하고 관련 기술로 구현하고자 한다면, 0.2nW 이하의 초저전력 소모를 갖는 시냅틱(Synaptic) 소자의 구현이 요구된다. 또한, 시냅틱 소자는 입력과 출력에서 전압 신호를 가져야 하며, 여러 개의 시냅틱 소자를 병렬로 연결하는 경우에도 Normalization 기능을 통해 생물학적 시냅스의 Homeostatic Scaling 기능을 모사해 초저전력 소모 특성을 유지할 수 있어야 한다.

기존의 IBM TrueNorth(트루노스) 칩 등에 사용돼 주목받고 있는 시냅틱 소자인 Memristor(멤리스터) 등은 mW(밀리와트, 1,000분의 1W) 수준의 비교적 높은 전력 소모를 가지므로 생물학적 시냅스의 초저전력 특성에 미치지 못하며 고비용의 공정이 요구되는 단점이 있다. 기본적으로 Memristor는 2단자 전극을 갖는 일종의 저항(Resistor, 전류를 흘리면 전력을 소모하는 수동소자의 한 형태)이므로 Back-Propagation(역전파)*의 반영이 어렵다.

* Back-Propagation(역전파): 뉴런의 출력 신호와 그 기대치 사이의 오차를 보정하기 위한 일종의 피드백 신호를 말한다.

또한, 기존 소자들은 전압 출력을 갖는 생물학적 시냅스와 달리 출력에서 전류 신호를 가지므로 전류를 전압으로 변환하는 기능과 실제 뉴런의 Homeostatic Scaling 기능을 소자 레벨에서 모사하기 어려워 이를 위한 회로가 추가되어야 하므로 부가적인 전력 및 면적 소모의 요인이 된다.

이러한 배경에서 이성식 교수팀은 이번 연구를 통해 생물학적 뉴런의 시냅스 기능과 초저전력 특성을 더 유사하게 모사하는 시냅틱 트랜지스터의 동작원리 및 구조를 제안했다.

특히, 생물학적 시냅스와 같이 나노와트 이하의 전력 소모를 가지면서도 직접적으로 전압을 출력하는 시냅틱 셀 구조를 제안하고, 이로 구성된 다중 입력 시냅틱 Array(배열)에서도 Self-normalization(자가정규화) 원리로 인해 저전력 성능이 유지됨을 보였다. 이는 뉴런의 Homeostatic Scaling을 모사하는 기능으로 다중 입력에도 불구하고 전체 시스템이 저전력 특성을 유지할 수 있게 하는 핵심 기능이다. 참고로 기존의 방식은 Array를 구성하는 시냅틱 소자를 하나하나 읽어내는 방식을 도입해 전력소모 줄이고 있으나, 실제 뉴런에서처럼 동시에 여러 개의 시냅스가 활성화되는 동작을 모사하지는 못하는 한계가 있다.

또한, 제안한 시냅틱 소자의 노이즈(잡음) 특성이 이 소자의 응용시스템 중 하나인 아날로그 인공지능 가속기의 정확도 및 저전력 성능과 Trade-off(상충)* 관계임을 보였다.

* Trade-off(상충): 예를 들어, 소자의 전력을 줄이면 노이즈 특성의 열화를 가져오게 돼 이들 두 성능 지수는 서로 상충관계에 놓여 있는 셈이다.

이번 연구는 인공지능 분야 최상위 저널 중 하나인 『IEEE Transactions on Neural Networks and Learning Systems (TNNLS)』 1월 20일자 온라인판에 게재됐다. 논문 제목은 ‘Synaptic Weight Evolution and Charge Trapping Mechanisms in a Synaptic Pass-Transistor with a Direct Potential Output’이며, 저자는 이성식 교수와 연구실 대학원생들로 구성됐다. 이번 연구는 삼성전자 반도체 산학과제와 한국연구재단의 신진연구자과제의 부분적인 지원을 받아 수행됐다.

* 논문 링크: http://asq.kr/h6BHuh8lOv4te8    
* DOI: 10.1109/TNNLS.2020.3047963
 
이번 논문에 제1저자로 참여한 강연수 학생(석박사 통합과정)은 “지능형 반도체가 미래의 기술로 알려져 있는 만큼, 해당 분야에서 연구 결실과 좋은 실적을 낳게 되어 기쁘다”고 말했다. 논문의 제2저자(공동 주자자)로 참여한 장지웅 학생(석박사 통합과정)은 “앞으로 이 분야의 더 깊이 있는 연구를 수행해서 지능형 반도체 분야 전문가로 거듭나겠다”는 포부를 밝혔다. 논문의 전력분석을 담당하고 제3저자로 참여한 차단영 학생(석박사 통합과정)은 “학부과정은 지식을 습득하는 과정이었다면 대학원에서의 연구는 그 지식을 활용하는 과정인 것이 차이점인 것 같다. 그 과정의 결실이 좋은 논문으로 이어져 기쁘다”고 전했다.

이번 연구를 지도하고 논문의 교신저자로 참여한 이성식 교수는 “현재 해당 분야에서는 소프트웨어를 기반으로 인공지능 에뮬레이터(기능을 수학적으로 모사하기 위해 간접적으로 구현된 프로그램 기반의 하드웨어) 형태로 구현하는 관점의 연구와
시냅틱 소자를 인공지능 가속기로 도입하는 등의 연구가 진행되고 있는 상황이다. 향후에는 생물학적 뇌의 기능적인 측면뿐만 아니라 실제 뇌의 하드웨어적 형태와 다양한 특성들을 더 유사하게 모사하는 지능형 반도체 연구가 요구된다 ”며 “이번 연구는 이러한 연장선에 있다”고 덧붙였다.

한편, 이성식 교수는 지난 2016년 영국 캠브리지대학 연구원 시절 ‘초저전력 박막 트랜지스터’ 연구에 관한 이론과 실험적 결과로 세계 최고의 저명학술지 『사이언스』지에 제1저자로 논문을 게재한 초저전력 반도체 분야 권위자다.

[출처: PNU Research: http://www.pusan.ac.kr/kor/CMS/Board/Board.do?mCode=MN270&&mode=view&board_seq=1459436&]