모아레 패턴 물리학은 실온에서 뉴로모픽 기능을 허용한다(제공: Wikipedia)
연구자들은 인간의 뇌에서 영감을 받아 더 높은 수준의 사고가 가능한 새로운 시냅스 트랜지스터를 개발했다.
노스웨스턴 대학, 보스턴 대학, MIT의 연구원들은 인간의 두뇌처럼 정보를 처리하고 저장하는 장치를 개발했다. 이 트랜지스터는 단순한 머신러닝 작업을 뛰어넘는다. 데이터를 분류하고 연관 학습을 수행할 수 있다.
이전 트랜지스터 장치는 극저온(화씨 -310도 이하) 밖에서는 작동할 수 없다. 새 장치는 실온에서 작동한다. 또한 빠른 속도로 작동하고 에너지를 거의 소비하지 않으며 전원이 제거된 경우에도 저장된 정보를 유지하므로 실제 애플리케이션에 이상적이다.
이 연구는 오늘(12월 20일) Nature 저널에 게재되었다.
두뇌, 기억, 정보 처리의 공존
연구를 공동 주도한 노스웨스턴 대학의 마크 C. 허샘 (Mark C. Hersam)은 “뇌는 디지털 컴퓨터와 근본적으로 다른 구조를 가지고 있다.”고 말했다. “디지털 컴퓨터에서는 데이터가 마이크로프로세서와 메모리 사이를 오가며 동시에 여러 작업을 수행하려고 할 때 많은 에너지를 소비하고 병목 현상이 발생한다.
새로운 아키텍처를 사용하면 “뇌, 기억 및 정보 처리가 같은 위치에 있고 완전히 통합되어 에너지 효율성이 훨씬 높아진다. 우리의 시냅스 트랜지스터는 동시에 뇌를 더욱 충실하게 모방하기 위해 동시 메모리 및 정보 처리 기능을 달성한다”고 그는 말했다.
높은 전력 소비
최근 인공지능(AI)의 발전으로 인해 연구자들은 인간의 두뇌와 더 유사하게 작동하는 컴퓨터를 개발하게 되었다. 기존 디지털 컴퓨팅 시스템에는 별도의 처리 장치와 저장 장치가 있어 데이터 집약적인 작업에 많은 양의 에너지가 소모된다.
현재 메모리 저항기, 즉 '멤리스터'는 프로세싱과 메모리 기능을 결합해 수행할 수 있는 가장 잘 발달된 기술이다. 그러나 멤리스터는 여전히 에너지 비용이 많이 드는 스위칭으로 인해 어려움을 겪고 있다.
허샘(Hersam)은 “지난 수십 년 동안 전자 분야의 패러다임은 모든 것을 트랜지스터로 만들고 동일한 실리콘 아키텍처를 사용하는 것이었다.”라고 말했다. “집적회로에 더 많은 트랜지스터를 집어넣는 것만으로도 상당한 진전이 있었다.”
“그러나 이는 특히 디지털 컴퓨팅이 그리드를 압도하는 현재 빅 데이터 시대에 높은 전력 소비를 초래한다. 특히 AI와 머신러닝 작업을 위한 컴퓨팅 하드웨어를 다시 생각해야 한다.”
모아레 패턴을 기반으로
이 패러다임을 다시 생각하기 위해 허샘과 그의 팀은 두 패턴이 서로 겹쳐질 때 발생하는 기하학적 디자인의 일종인 모아레 패턴 물리학의 새로운 발전을 탐구했다. 2차원 물질이 쌓이면 한 겹만으로는 존재하지 않는 새로운 물성이 나타난다. 그리고 이러한 층을 비틀어 모아레 패턴을 형성하면 전례 없는 전자 특성 조정이 가능해진다.
새로운 장치를 위해 연구진은 두 가지 다른 유형의 원자적으로 얇은 재료, 즉 이중층 그래핀과 육각형 질화붕소를 결합했다. 쌓고 의도적으로 비틀었을 때 재료는 모아레 패턴을 형성했다. 한 층을 다른 층에 대해 회전시킴으로써 연구진은 비록 원자 규모의 크기로만 분리되어 있더라도 각 그래핀 층에서 서로 다른 전자 특성을 얻을 수 있었다. 연구자들은 올바른 트위스트 선택을 통해 실온에서 뉴로모픽 기능을 위해 모아레 물리학을 활용했다.
허샘은 “새로운 설계 매개변수로서 비틀림을 사용하면 순열의 수가 엄청니다.”라고 말했다. "그래핀과 육각형 질화붕소는 구조적으로 매우 유사하지만 유난히 강한 모아레 효과를 얻을 수 있을 만큼 충분히 다르다."
더 높은 수준의 "연관 학습"
트랜지스터를 테스트하기 위해 허샘과 그의 팀은 유사하지만 동일하지는 않은 패턴을 인식하도록 트랜지스터를 훈련시켰다. 이번 달 초 허샘은 에너지 효율적인 방식으로 데이터를 분석하고 분류할 수 있는 새로운 나노전자 장치를 출시했다. 그의 새로운 시냅스 트랜지스터는 머신러닝과 AI를 한 단계 더 발전시킨다.
허샘은 “AI가 인간의 생각을 모방하기 위한 것이라면 가장 낮은 수준의 작업 중 하나는 데이터를 분류하는 것이며, 이는 단순히 저장소로 분류하는 것이다.”라고 말했다. “우리의 목표는 AI 기술을 더 높은 수준의 사고 방향으로 발전시키는 것이다. 실제 조건은 현재 AI 알고리즘이 처리할 수 있는 것보다 더 복잡한 경우가 많기 때문에 우리는 고급 기능을 검증하기 위해 더 복잡한 조건에서 새 장치를 테스트했다."
먼저 연구원들은 장치에 하나의 패턴인 000(연속된 세 개의 0)을 보여주었다. 그런 다음 AI에게 111이나 101과 같은 유사한 패턴을 식별하도록 요청했다. 허샘은 "000을 감지하도록 훈련한 다음 111과 101을 제공하면 111이 101보다 000과 더 유사하다는 것을 알게 된다."라고 허샘은 설명했다. “000과 111은 정확히 같은 숫자는 아니지만 둘 다 연속된 세 자리 숫자이다. 유사성을 인식하는 것은 "연관 학습"으로 알려진 더 높은 수준의 인지 형태이다.
실험에서 새로운 시냅스 트랜지스터는 유사한 패턴을 성공적으로 인식하여 연관 기억을 표시했다. 연구자들이 불완전한 패턴을 제공하는 것처럼 변화구를 던졌을 때에도 여전히 연관 학습을 성공적으로 보여주었다.
허샘은 "현재 AI는 혼동하기 쉬우며 특정 상황에서 큰 문제를 일으킬 수 있다."라고 말했다. “자율주행차를 사용하고 있는데 기상 조건이 악화된다고 상상해 보자. 차량은 인간 운전자만큼 복잡한 센서 데이터를 해석하지 못할 수도 있다. 그러나 트랜지스터에 불완전한 입력을 가하더라도 여전히 올바른 응답을 식별할 수 있다.”
허샘은 보스턴 칼리지의 Qiong Ma 및 MIT의 Pablo Jarillo-Herrero와 함께 연구를 공동 주도했다. 그는 노스웨스턴 맥코믹 공과대학의 재료 과학 및 엔지니어링 교수이자 재료 과학 및 엔지니어링 학과장, 재료 연구 과학 및 엔지니어링 센터 소장, 국제 나노기술 연구소 회원이다.
"상온 뉴로모픽 기능을 갖춘 모아레 시냅스 트랜지스터"라는 연구는 주로 미국 국립과학재단(National Science Foundation)의 지원을 받았다.
