🔬 applied physics

Stochastic Dynamics of Diffusive Memristor Blocks for Neuromorphic Computing

본 논문은 뉴로모픽 컴퓨팅을 위한 범용 기능 블록의 발전을 도모하기 위해, 수치 모델링과 실험을 통해 세 가지 확산형 멤리스터 기반 스파이킹 뉴런의 시냅스 수렴을 조사하고 표적 활성화를 위한 전압 조합을 식별하며 스파이킹 통계를 분석한다.

원저자: Wendy Otieno, Alex Gabbitas, Debi Pattnaik, Pavel Borisov, Sergey Savel'ev, Alexander G. Balanov

게시일 2026-02-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Wendy Otieno, Alex Gabbitas, Debi Pattnaik, Pavel Borisov, Sergey Savel'ev, Alexander G. Balanov

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 아주 작은, 뇌와 닮은 컴퓨터를 만들려고 한다고 상상해 보세요. 실리콘 칩처럼 엄격한 "켜짐(on)"과 "꺼짐(off)" 스위치로 생각하는 대신, 이 연구팀은 마치 살아있는 뇌처럼 행동하는 회로를 만들기로 했습니다. 약간은 무질서하고, 소음이 섞여 있으며, 놀라움으로 가득 찬 그런 회로 말이죠.

다음은 그들의 연구 내용을 쉬운 개념들로 나누어 설명한 이야기입니다.

등장인물: 세 개의 "인공 뉴런"

실제 뇌에서 뉴런(신경 세포)은 서로 대화를 나눕니다. 종종 여러 뉴런이 하나의 뉴런에게 신호를 보내고, 그러면 그 뉴런은 스스로 신호를 보낼지 말지를 결정합니다. 이것을 **시냅스 수렴(synaptic convergence)**이라고 부릅니다.

연구진은 세 개의 "인공 뉴런"을 사용하여 이를 전자적인 버전으로 구현했습니다.

도구: 그들은 **확산성 멤리스터(diffusive memristors)**라는 특별한 전자 부품을 사용했습니다. 이것을 '똑똑한 저항기'라고 생각하면 쉽습니다. 전류가 얼마나 많이 흐르는지에 따라 저항(전류가 흐르기 어려운 정도)이 변하는 장치입니다.
마법: 일반적인 컴퓨터 부품과 달리, 이 멤리스터들은 "휘발성(volatile)"을 가집니다. 이 안에는 은(silver)과 같은 미세한 금속 원자들이 구름처럼 떠다닙니다. 전압을 가하면 이 원자들이 함께 모여 일시적인 다리(필라멘트)를 형성하여 전류가 흐르게 합니다. 전압을 멈추면 이 다리는 다시 해체됩니다. 이는 일시적이고 가변적인 생물학적 시냅스와 매우 유사하게 작동하게 만듭니다.
설정: 연구진은 두 개의 뉴런(뉴런 1과 뉴2)을 세 번째 뉴런(뉴런 3)에 연결했습니다. 뉴런 1과 2는 입력 전압( $V_1$ 과 $V_2$ )을 받습니다. 뉴런 3는 첫 번째와 두 번째 뉴런의 "수다(chatter)"를 듣고, 스스로 스파이크(전기적 신호의 분출)를 일으킬지 아니면 조용히 있을지를 결정합니다.

실험: 볼륨 조절하기

연구진은 입력 전압( $V_1$ 과 $V_2$ )을 스테레오의 볼륨 조절 노브처럼 다루었습니다. 그들은 이 노브들을 올렸다 내렸다 하며, 수천 가지의 다른 조합을 테스트하여 어떤 일이 일어나는지 관찰했습니다.

그들은 다음과 같이 질문했습니다: 만약 왼쪽과 오른쪽 스피커의 볼륨을 특정 수준으로 설정한다면, 어떤 뉴런들이 "노래(스파이크)"를 시작할 것인가?

발견: 행동의 지도

그들은 시스템의 행동이 무작위적인 혼돈이 아니라, 사실 구조화된 지도라는 것을 발견했습니다. 전압의 조합에 따라 시스템은 여덟 가지의 뚜렷한 "모드" 중 하나에 속하게 됩니다:

침묵: 아무도 스파이크를 일으키지 않음.
솔로 공연: 뉴런 1만, 혹은 뉴런 2만, 혹은 뉴런 3만 스파이크를 일으킴.
듀엣: 뉴런 1과 2가 함께, 혹은 1과 3이 함께, 혹은 2와 3이 함께 스파이크를 일으킴.
트리오: 세 뉴런이 동시에 스파이크를 일으킴.

"소음" 요인:
실제 뇌는 소음이 많습니다. 항상 약간의 정전기가 존재하죠. 연구진은 이 전자 뉴런들도 멤리스터 내부의 금속 원자들이 무작위로 움직이기 때문에 자연스럽게 소음이 발생한다는 것을 발견했습니다.

낮은 소음: 시스템이 매우 까다로워집니다. 전압이 딱 맞을 때만 스파이크를 일으킵니다.
높은 소음: 시스템이 더 "관대해"집니다. 무작위적인 변동이 뉴런이 전압이 약간 낮더라도 스파이크를 일으키도록 도와줍니다. 이는 마치 방 안의 배경 소음이 당신의 뇌의 민감도를 자극하여 속삭임을 더 잘 듣게 만드는 것과 비슷합니다.

이것으로 무엇을 할 수 있는가? ("뇌 수학")

연구진은 이 단순한 세 뉴런 블록이 복잡한 프로세서 없이도 기본적인 뇌와 같은 계산을 수행할 수 있음을 보여주었습니다.

1. 비교기 (The Comparator, "판사"):
두 숫자 $V_1$ 과 $V_2$ 가 있다고 가정해 봅시다. 당신은 어느 쪽이 더 큰지, 혹은 둘 다 작은지, 아니면 둘 다 큰지 알고 싶습니다.

만약 $V_1$ 은 크고 $V_2$ 는 작다면, 시스템은 한 방식으로 반응합니다.
만약 둘 다 크다면, 시스템은 또 다른 방식으로 반응합니다.
스파이크가 발생하는 뉴런을 관찰함으로써, 당신은 두 입력 사이의 관계를 즉각적으로 "분류"할 수 있습니다. 이는 마치 두 의견이 대등한지, 혹은 한쪽이 훨씬 강력한지에 따라 특정 깃발을 들어 올리는 판사와 같습니다.

2. 논리 게이트 (The Logic Gate, "의사 결정자"):
그들은 또한 이 회로가 기본 컴퓨터 로직 게이트(모든 소프트웨어의 구성 요소)처럼 작동할 수 있음을 보여주었습니다.

AND 게이트: 규칙을 제대로 설정하면, 두 입력이 모두 높을 때만 세 번째 뉴런이 스파이크를 일으킵니다. (1 + 1 = 1).
OR 게이트: 시스템에 약간의 "소음"을 더하면, 한쪽 입력만 높아도 세 번째 뉴런이 스파이크를 일으킵니다. (1 + 0 = 1).

실제 환경 테스트

팀은 단순히 컴퓨터 상에서만 실행한 것이 아니라, 실제 하드웨어로 이를 구축했습니다.

결과: 실제 장치는 컴퓨터 시뮬레이션과 거의 똑같이 작동했습니다.
"무질서한" 현실: 실제 세계의 지도는 완벽한 컴퓨터 지도보다 조금 더 "흐릿(fuzzy)"했습니다. 뉴런 1과 3이 스파이크를 일으키는 넓은 영역이 존재하지만, 그 영역 내부에는 뉴런 2가 무작위로 합류하는 작은 "섬"들이 보였습니다.
이유는? 연구진은 이 흐릿함이 멤리스터 내부의 금속 필라멘트가 끊임없이 형태와 구조를 바꾸기 때문에 발생한다는 것을 깨달았습니다. 이 변화하는 형태를 흉내 내기 위해 컴퓨터 모델에 "무작위성 요소"를 추가하자, 그들은 무질서한 실제 세계의 결과와 완벽하게 일치시킬 수 있었습니다.

거시적 관점

이 논문은 이러한 "소음이 섞인" 확산성 멤리스터를 사용함으로써, 미래의 컴퓨터를 위한 작고 보편적인 빌딩 블록을 만들 수 있다고 주장합니다. 이 블록들은 단순히 숫자를 계산하는 것이 아니라, 생물학적 뇌가 정보를 처리하는 방식처럼 신호를 비교하고 결정을 내립니다.

핵심적인 교훈은 소음은 버그가 아니라 기능(feature)이라는 점입니다. 생물학적 뇌와 마찬가지로, 이 전자 뉴런들의 무작위적인 변동은 정보 처리를 돕고, 비교를 수행하며, 경직되고 완벽한 컴퓨터 칩으로는 훨씬 더 어렵게 수행될 수 있는 논리 작업을 수행하도록 도와줍니다.

기술 요약: 뉴로모픽 컴퓨팅을 위한 확산형 멤리스터 블록의 확률적 역학

문제 정의
고에너지 효율적인 인공지능(AI) 하드웨어 개발은 메모리와 프로세싱을 통합하는 시스템을 통해 기존의 폰 노이만 구조를 넘어서는 것을 요구한다. 확산형 멤리스터는 생물학적 시냅스(예: 시냅스 가소성 및 휘발성 스위칭)를 모사할 수 있는 능력 덕분에 뉴로모픽 회로를 위한 유망한 구성 요소로 부상했으나, 이러한 단순한 소자 블록들이 특정 연산을 어떻게 수행하는지에 대한 이해에는 여전히 중요한 격차가 존재한다. 구체적으로, 확률적이고 노이즈가 주도하는 환경 내에서 시냅스 수렴(여러 뉴런으로부터 하나의 하류 뉴런으로 입력이 통합되는 과정)이 기능하는 메커니즘은 아직 완전히 규명되지 않았다. 본 연구는 확산형 멤리스터로 구성된 단순화된 신경 회로 내에서 표적화된 활성화와 계산 로직을 가능하게 하는 특정 입력 조건을 식별할 필요성을 다룬다.

연구 방법론
본 연구는 세 개의 뉴런으로 구성된 회로를 조사하기 위해 실험적 제작, 수치 모델링, 통계적 분석을 결합된 접근 방식으로 채택하였다.

실험 설정: 연구진은 마그네트론 스퍼터링과 UV 포토리소그래피를 사용하여 세 개의 동일한 확산형 멤리스터(Ag:SiO $_x$ )를 제작하였다. 이 소자들은 두 개의 전-시냅스 뉴런(RM $_1$ 및 RM $_2$ )이 외부 전압 입력( $V_1$ 및 $V_2$ )을 받고, 하나의 후-시냅스 뉴런(RM $_3$ )으로 수렴하도록 회로를 구성하였다. 각 멤리스터는 피어슨-앤슨슨(Pearson-Anson) 발진기 동작(스파이킹)을 촉진하기 위해 부하 저항과 직렬로 연결되고 커패시터와 병렬로 연결되었다. 시스템에는 0에서 3.6 V 범위의 입력 전압과 함께 장기 전압 펄스(10초 ON, 10초 OFF)가 가해졌다. 스파이킹 동작은 전압 진동 진폭이 기저 노이즈보다 10% 초과하는 것을 기준으로 분류되었다.
수치 모델링: 전하 수송 모델은 확률 미분 방정식을 기반으로 하여 동역학을 시뮬레이션하는 데 사용되었다. 이 모델은 전기장과 무작위 열적 요동(가우시안 백색 잡음으로 모델링됨)에 의해 구동되는 전기 화학적 퍼텐셜 내에서 금속 클러스터의 움직임을 고려한다. 또한, 필라멘트 형성의 비정상적(non-stationary) 특성을 반영하기 위해 필라멘트 팁 근처의 나노 클러스터의 확률적 재구성을 시뮬레이션하는 무작위 파라미터 $\beta$ 를 포함한다.
통계적 분석: 스파이킹 레짐을 정량화하기 위해 연구진은 뉴런 간 간격의 변동 계수(CV $_1$ )와 국부적 가변성(CV $_2$ )을 계산하였다. 이 지표들을 수치 시뮬레이션과 실험 데이터 간에 비교하여 모델이 스파이킹 패턴의 통계적 특성을 재현하는 정확도를 평가하였다.

주요 기여 및 결과
본 논문은 세 개의 멤리스터 블록에서 입력 전압 조합과 특정 스파이킹 패턴 사이의 직접적인 연결 고리를 확립함으로써, 뉴로모픽 컴퓨팅을 위한 기능적 단위로서의 잠재력을 입증하였다.

스파이킹 레짐 매핑: 본 연구는 서로 다른 스파이킹 결과에 대응하는 ( $V_1$ , $V_2$ ) 파라미터 평면상의 뚜렷한 영역을 식별하였다: 스파이킹 없음, 단일 뉴런 스파이킹(RM $_1$ , RM $_2$ , 또는 RM $_3$ ), 이중 뉴런 스파이킹, 그리고 삼중 뉴런 스파이킹.
- 낮은 전압에서는 스파이킹이 발생하지 않는다.
- 전압이 증가함에 따라 단일 뉴런 레짐이 나타난다.
- 특히, 전-시냅스 뉴런들이 개별적으로 발화하지 않더라도 후-시냅스 뉴런(RM $_3$ )만이 스파이킹하는 레짐이 존재한다. 이는 전-시냅스 뉴런들의 결합된 노이즈 출력이 RM $_3$ 를 트리거하기에 충분한 DC 성분을 제공하거나, 결합된 입력이 임계값을 넘어서는 노이즈 유도 스파이킹이 발생하기 때문으로 분석된다.
- 노이즈 수준이 증가하면 다중 뉴런 스파이킹 영역이 확장되며, 하나의 입력이 0인 경우에도 스파이킹을 유도할 수 있다.
계산 능력: 뚜렷한 스파이킹 패턴을 통해 회로는 다음과 같은 기본적인 뇌 유사 계산을 수행할 수 있다:
- 분류(Classification): 회로는 입력 쌍( $V_1$ , $V__2$ )을 결과적인 스파이킹 패턴에 따라 서로 다른 클래스로 분류할 수 있다.
- 비교(Comparison): 하나의 입력을 고정함으로써, 이 블록은 가변 입력이 특정 임계값을 초과하는지 판단하는 비교기 역할을 한다.
- 논리 게이트(Logic Gates): 노이즈 수준과 입력 전압 범위에 따라 회로는 불리언(Boolean) 논리 연산을 구현할 수 있다. 예를 들어, 낮은 노이즈 수준에서 시스템은 AND 게이트로 작동하며(두 입력이 모두 높을 때만 RM $_3$ 에서 스파이크 출력), 높은 노이즈 수준에서는 OR 게이트로 작동한다(둘 중 하나의 입력이라도 높으면 스파이크 출력).
모델-실험 일치성: 수치 시뮬레이션은 스파이킹 패턴의 존재와 그 통계적 특성(CV $_1$ 및 CV $_2$ )에 관한 실험적 측정값과 밀접하게 일치하였다. 모델에 무작위 $\beta$ 파라미터를 포함하는 것이 실험에서 관찰된 "불규칙한" 구조와 대안적 패턴의 작은 "섬(islands)"들을 재현하는 데 결정적이었는데, 이는 전도성 필라멘트의 비정상적 진화에서 기인한다. 인공 뉴런의 통계적 특성은 피질 뉴런의 전형적인 범위(CV $_1$ 및 CV $_2$ 가 0.2에서 1.5 사이) 내에 있는 것으로 나타났다.

의의 및 주장
저자들은 본 연구가 뉴로모픽 시스템을 위한 보편적인 기능 블록 개발에 기여한다고 주장한다. 주요 의의는 단순하고 확률적인 멤리스터 회로가 정밀하고 비확률적인 제어 없이도 신호 비교, 분류, 불리언 논리와 같은 복잡한 작업을 수행할 수 있음을 입증했다는 점에 있다.

본 논문은 확산형 멤리스터의 본질적인 휘발성과 확률성이 흔히 도전 과제로 간見되지만, 이를 생물학적 시스템의 "신경 가변성(neural variability)"—뉴런이 동일한 자극에 다르게 반응하는 현상—을 모사하는 데 활용될 수 있다고 상정한다. 이러한 가변성은 뇌의 계산 능력을 향상시킬 수 있는 것으로 제안된다. 결과적으로, 본 연구는 살아있는 신경 시스템의 계산 메커니즘을 이해하기 위한 플랫폼을 제공하며, 정보 처리를 위해 확산형 멤리스터의 자연스러운 역학을 활용하는 대규모 뉴로모픽 아키텍처 설계의 청사진을 제공한다. 저자들은 특정 응용 분야를 위해 필라멘트 진화를 안정화하는 것이 재현성을 개선할 수 있다고 조심스럽게 제안하면서도, 자연스러운 휘발성이 생물학적 신경 가변성을 모사하는 유망한 경로로 남아 있음을 강조하였다.