Analogue Phase Change Computational Memory with High Precision Reads and Energy Efficient Writes

컴퓨팅은 오랫동안 데이터가 저장되는 곳과 데이터가 처리되는 곳의 분리에 의존해 왔습니다. 표준 컴퓨터에서 기계의 두뇌는 정보를 메모리로 끊임없이 왔다 갔다 하며 실어 날라야 하는데, 이 과정은 막대한 양의 에너지를 소비하고 성능을 저하시킵니다. 이러한 병목 현상을 극복하기 위해 과학자들은 메모리 자체가 계산을 수행하는 인메모리 컴퓨팅(in-memory computing)이라는 다른 접근 방식을 탐구해 왔습니다. 이 방식은 패턴을 인식하고 결정을 내리기 위해 방대한 양의 수학적 연산을 필요로 하는 인공지능 분야에 특히 유망합니다. 이 작업에 이상적인 메모리는 단순한 온-오프(on-off) 조명이라기보다는 디머 스위치(dimmer switch)처럼 연속적인 값의 범위를 보유할 수 있어야 하며, 이를 통해 인간의 뇌에서 발견되는 복잡한 연결을 모방할 수 있어야 합니다. 그러나 수백만 개의 이러한 단위를 함께 채워 넣을 수 있을 만큼 작으면서도, 정확하게 계산할 수 있을 만큼 정밀하고, 과열 없이 작동할 수 있을 만큼 효율적인 장치를 만드는 것은 매우 까한 과제로 증명되었습니다.

IBM 리서치와 이탈리아 국립연구위원회(CNR)의 연구팀은 이제 이러한 상충하는 요구 사항을 해결하는 새로운 메모리 장치 설계를 선보였습니다. 그들은 상변화 메모리(phase-change memory)라고 알려진 유형의 메모리에 집중했는데, 이는 특수한 물질을 무질서한 유리 상태와 질서 정연한 결정 상태라는 두 가지 물리적 상태 사이에서 전환함으로써 정보를 저장합니다. 이 물질이 유리 상태로 존재하는 정도를 정밀하게 제어함으로써, 장치는 다양한 전기 전도도를 유지하여 효과적으로 하나의 숫자를 저장할 수 있습니다. 연구진의 목표는 새로운 정보를 기록하는 데 매우 적은 전력을 사용하면서도 극도로 정밀하게 읽을 수 있고, 동시에 아주 좁은 공간에 들어갈 수 있는 버전의 메모리를 만드는 것이었습니다.

그들의 혁신의 핵심은 장치의 물리적 구조에 있습니다. 대부분의 메모리 칩에서 사용되는 버섯 모양의 전통적인 수직 구조 대신, 그들은 약 5나노미터 두께의 초박형 상변화 물질 층을 가진 구조를 설계했습니다. 이 층은 하부 전극과 유전체 스페이서 사이에 위치하지만, 결정적으로 비절연성 투영 층인 비정질 탄소로 만들어진 훨씬 더 얇은 층 위에 놓여 있습니다. 이 투영 층은 장치의 전체 폭을 가로지르는 연속적인 가교 역할을 합니다. 연구진이 물질을 전환하기 위해 짧고 강렬한 전기 펄스를 가하면, 하부 전극 바로 위의 상변화 층의 작은 원형 영역을 녹여 유리 상태로 만듭니다. 그러면 전류는 이 작은 유리 원형 영역과 주변의 투영 층을 통해 흐르며, 이 둘은 병렬로 연결되어 있습니다. 투영 층은 연속적이고 전도성이 높기 때문에 장치의 전체적인 전기적 동작을 결정하며, 전류가 낮고 안정적으로 유지되도록 보장합니다.

이러한 특정 배치는 이전에 도달하기 어려웠던 수준의 정밀도를 달േ할 수 있게 해줍니다. 연구진은 장치가 약 6비트에 달하는 정확도로 뚜렷한 전도도 값을 유지하도록 프로그래밍할 수 있음을 입증했는데, 이는 장치가 64개의 서로 다른 저항 레벨을 신뢰성 있게 구별할 수 있음을 의미합니다. 실질적인 관점에서, 이 높은 정밀도는 인공지능에 필요한 복잡한 행렬 계산을 수행하는 데 필수적입니다. 또한, 이 설계는 데이터를 쓰는 데 필요한 에너지를 획기적으로 줄입니다. 연구진은 장치를 전환하는 데 필요한 전류를 측정했으며, 그 결과 기존 설계에서 통상적으로 필요했던 수백 마이크로암페어보다 훨씬 낮은 90 마이크로암페어까지 떨어질 수 있음을 발견했습니다. 이러한 감소는 초박형 기하학적 구조가 전기 전류에 의해 발생하는 열을 매우 좁게 가두어, 필요한 아주 작은 부피의 물질만을 녹이기 때문에 가능했습니다.

효율성과 정밀도를 넘어, 이 새로운 장치는 시간적 불안정성(temporal instability)이라고 알려진 주요 문제를 해결합니다. 많은 메모리 기술에서 저장된 값은 시간이 지남에 따라 드리프트(drift)되거나 무작위 전기 노이즈로 인해 변동되어 계산에 오류를 유발합니다. 연구진은 연속적인 투영 층을 갖춘 그들의 설계가 이러한 변동을 크게 억제한다는 것을 발견했습니다. 그들은 저장된 값의 드리프트가 기존 장치에 비해 20배 감소했으며, 무작위 노이즈는 4배 줄어들었다는 것을 관찰했습니다. 이러한 안정성은 장치가 프로그래밍된 상태를 높은 온도에서도 신뢰성 있게 유지할 수 있게 하여, 메모리에서 수행되는 계산이 시간이 지나도 정확하게 유지되도록 보장합니다.

이 개별 장치들이 실제 시스템에서 어떻게 함께 작동할 수 있는지 증명하기 위해, 연구팀은 64개의 단위가 포함된 작은 격자, 즉 크로스바 어레이(crossbar array)를 구축했습니다. 그들은 각 메모리 셀을 스위치 역할을 하는 트랜지스터에 연결하여 셀을 개별적으로 제어하고 읽을 수 있도록 했습니다. 그런 다음 가중치 세트를 프로그래밍하고 신경망 추론의 기본 구성 요소인 행렬-벡터 곱셈(matrix-vector multiplication)이라는 수학적 연산을 수행하여 어레이를 테스트했습니다. 결과는 놀라웠습니다. 하드웨어 시스템은 5비트 이상의 유효 계산 정밀도를 달성했습니다. 이 수준의 정확도는 일반적으로 3~4비트의 정밀도만을 관리하는 현재의 최첨단 시스템보다 실질적으로 향상된 것입니다. 이 실험의 성공은 새로운 아키텍처가 단순히 이론적인 개념이 아니라, 언젠가 차세대 인공지능을 구동할 수 있는 밀도가 높고 저전력이며 고정밀인 컴퓨팅 시스템을 구축하기 위한 실행 가능한 경로임을 시사합니다.

연구진은 성능을 더욱 높이기 위해 이 설계의 변형도 탐구했습니다. 하부 전극이 재료 스택 내부로 직접 침투하도록 수정하여 에지 접촉(edge-contact) 구성을 만듦으로써, 프로그래밍 전류를 약 50 마이크로암페어까지 줄일 수 있었습니다. 이 변화는 접점에서의 국부적인 전력 밀도를 높여 가열 효율을 더욱 향상시켰습니다. 이러한 실험 전반에 걸쳐 연구팀은 기존 제조 공정과 호환되는 표준적이고 도핑되지 않은 재료를 사용했으며, 이는 이 기술이 완전히 새로운 제조 방법을 요구하지 않고도 현재의 생산 라인에 통합될 수 있음을 나타냅니다. 비록 이 연구가 특정 개념 증명에 집중되었지만, 그 결과는 인메모리 컴퓨팅의 발전을 오랫동안 가로막았던 밀도, 에너지, 정밀도 사이의 절충안을 극복하기 위한 명확한 로드맵을 제공합니다.