Precursor Ratio-Controlled Chloride Vacancies in Lead-Free KCuCl3-x Memristors for Forming-Free Gradual Resistive Switching and Neuromorphic Learning

단순히 켜고 끄는 딱딱한 스위치를 뒤집는 것이 아니라, 인간 두뇌에서 발견되는 유동적이고 적응 가능한 연결을 모방하여 사고하는 컴퓨터를 상상해 보십시오. 이것이 바로 뉴로모픽 컴퓨팅(neuromorphic computing)이 약속하는 바이며, 이 분야는 생물학적 뉴런처럼 정보를 학습하고 처리하는 전자 시스템을 구축하고자 노력하고 있습니다. 이러한 노력의 중심에는 멤리스터(memristor)라고 불리는 아주 작은 장치들이 있는데, 이들은 과거의 전기적 상태를 기억하고 저항을 변화시켜 두뇌의 시냅스가 강화되거나 약화되는 과정을 모방할 수 있습니다. 이 장치들이 잘 작동하려면 단순히 두 개의 고정된 단계 사이를 건너뛰는 것이 아니라, 전도성을 부드럽고 정밀하게 조절할 수 있어야 합니다. 이를 달着하기 위해 과학자들은 종종 재료의 원자 구조 내에 존재하는 '공공(vacancies)'이라 불리는 아주 작은 결핍 요소들에 의존합니다. 이 비어 있는 지점들은 전기장 아래에서 이온이 이동하고 재배열될 수 있게 하여, 장치가 상태를 전환할 수 있는 경로를 만들어 줍니다. 하지만 이러한 결핍 요소의 적절한 양을 찾는 것은 매우 섬세한 균형 잡기입니다. 너무 적으면 장치가 효율적으로 전환되지 못하고, 너무 많으면 동작이 무질서하고 신뢰할 수 없게 됩니다.

인도 공과대학교 카르가푸르(IIT Kharagpu)와 라자 나렌드랄랄 칸 여성 대학(Raja Narendralal Khan Women's College)의 연구팀은 특정 유형의 친환경 재료 내에서 이러한 결핍 요소를 제어하는 새로운 방법을 개발했습니다. 독성이 있고 유사한 재료에서 흔히 사용되는 납 대신, 그들은 칼륨, 구리, 염소로 이루어진 납이 없는 화합물을 사용했습니다. 이 재료의 박막을 만드는 레시피를 세심하게 조정함으로써, 연구진은 염소 원자의 결핍 수를 매우 정밀하게 조절할 수 있었습니다. 이러한 제어를 통해 연구진은 가혹한 초기 "훈련" 전압 없이도 저항을 부드럽게 전환할 수 있는 장치를 만들어냈습니다. 이는 유사한 기술들에서 흔히 발생하는 장애물입니다. 그 결과, 신뢰성 있게 전환될 뿐만 아니라 효과적으로 학습하며, 컴퓨터 시뮬레이션에서 필기체 숫자와 패션 아이템을 높은 정확도로 인식하는 멤리스터를 탄생시켰습니다.

연구진은 먼저 염화칼륨과 염화구리를 다양한 비율로 혼합하여, 완벽한 균형 상태부터 칼륨이 현저히 줄어든 상태까지 다섯 가지의 서로 다른 버전의 재료를 만들었습니다. 시작 재료의 비율을 바꿈에 따라, 결과물인 박막의 내부 구조는 예측 가능한 방식으로 변화했습니다. 강력한 X선 분석을 통해 연구진은 결정 격자(원자들이 반복되는 패턴)가 한 방향으로는 약간 팽창하고 다른 방향으로는 수축하는 것을 관찰했습니다. 더 중요한 것은, 결핍된 염소 원자들이 무작위로 흩어져 있는 것이 아니라는 점을 발견했다는 것입니다. 대신, 이들은 벌크 결정 구조 내에서 염소 원자가 덜 단단하게 붙잡혀 있는 특정 말단 염화물 부위에 우선적으로 형성되었습니다. 이러한 표적화된 원자 제거는 구리 원자가 자기적 특징을 가진 상태에서 그렇지 않은 상태로 전기적 전하를 바꿀 수 있는 통제된 환경을 조성했습니다. 이러한 변화는 결핍된 염소 원자가 재료의 전자적 지형을 능동적으로 변화시켜 전기가 더 잘 흐르게 만들었음을 확인시켜 주었습니다.

결핍된 염소 원자의 수가 증가함에 따라, 재료의 전기 전도 능력은 매우 특정한 방식으로 변화했습니다. 적당한 양의 결핍 원자를 가진 박막은 전기 펄스에 반응하는 방식에서 놀라운 개선을 보여주었습니다. 결핍된 원자가 적었던 초기 버전들의 경우, 작동을 시작하기 위해 높은 초기 전압이 필요했는데 이를 '전기 형성(electroforming)' 과정이라고 합니다. 또한 전환이 갑작스럽게 일어났습니다. 반면, 세심하게 조절된 농도의 결핍 원자를 가진 버전들은 초기 고전압의 충격 없이도 전환되었으며, 저항의 변화가 점진적으로 일어났습니다. 이러한 점진적인 변화는 시냅스가 갑작스러운 도약이 아닌 작고 연속적인 단계로 강화되거나 약화되는 뇌의 작동 방식을 모방하는 데 매우 중요합니다. 연구진은 최적의 결핍 원자 수를 가진 장치가 실패 없이 10,000번 이상 상태를 전환하면서도, 높은 저항 상태와 낮은 저항 상태 사이의 명확한 구분을 유지한다는 것을 발견했습니다.

이 장치들의 진정한 시험은 연구진이 단순한 뇌 네트워크를 시뮬레이션할 때 이루어졌습니다. 연구진은 가장 성능이 좋은 장치의 실제 전기적 거동을 이미지 인식용으로 설계된 컴퓨터 모델에 입력했습니다. 표준 데이터셋을 이용해 필기체 숫자를 식별하도록 요청했을 때, 시스템은 거의 99%의 정확도를 달-성했습니다. 다양한 종류의 의류를 보여주는 더 복잡한 이미지 세트로 테스트했을 때도 정확도는 91% 이상으로 높게 유지되었습니다. 이는 결핍된 원자가 너무 적거나 너무 많았던 장치들로부터 얻은 결과보다 훨씬 뛰어난 성과였습니다. 결핍된 원자가 너무 많은 장치는 더 빠르게 전환되었지만, 전도도가 빠르게 포화되고 선형성이 감소하여 학습 과정이 혼란스러워지고 정확도가 떨어지는 문제를 겪었습니다. 이는 결재의 결핍 농도에 있어 재료가 가장 효과적으로 학습할 수 있는 '최적의 지점(sweet spot)'이 존재함을 입증했습니다.

이 연구는 왜 이러한 균형이 중요한지를 밝혀냈습니다. 결핍된 원자의 농도가 너무 높으면 전기를 위한 경로가 너무 많아지고 무질서해져서, 전환 과정에 대한 제어력을 상실하게 됩니다. 장치는 포화 상태, 즉 학습에 필요한 미세한 조정을 할 여지가 남지 않을 정도로 너무 빨리 최대 또는 최소 저항에 도달하게 됩니다. 반대로, 결핍 농도가 너무 낮으면 이온의 이동이 너무 느려져 전환하는 데 더 많은 에너지와 시간이 소요되었습니다. 연구진이 찾아낸 최적의 버전은 빠르고 에너지 효율적인 전환을 가능하게 할 만큼 충분한 이동성 결함(mobile defects)을 제공하는 동시에, 변화가 정밀하고 반복 가능하도록 충분한 질서를 유지했습니다. 이 연구는 재료의 원자 수준 배열과 학습과 같은 복잡한 과업을 수행하는 능력 사이의 명확한 연결 고리를 확립하였으며, 미래의 강력하고도 환경적으로 안전한 전자 시스템을 설계하기 위한 청사진을 제시합니다.