Synaptic Multi-Weight Wafer-Scale Domain Wall Magnetic Tunnel Junctions Driven by Spin Orbit Torque
이 연구는 소자 가변성 문제에도 불구하고 고정밀 뉴로모픽 시스템을 향한 경로를 제공하며, 도메인 벽 조작을 통해 최대 8개의 뚜렷한 저항 상태를 달로하는 스핀 궤도 토크 구동 자기 터널 접합을 이용한 다중 가중치 스핀트로닉 시냅스 소자 제작을 위한 확장 가능한 웨이퍼 레벨 접근 방식을 입증한다.
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
현대적인 컴퓨터는 얼굴을 인식하거나 언어를 번역하는 작업에서 믿기 힘들 정도로 강력해지고 있지만, 이는 막대한 양의 전력을 소비하며 이루어집니다. 이는 전통적인 컴퓨터가 기억 장치와 연산 장치를 서로 떨어진 곳에 두기 때문에, 데이터를 끊임없이 앞뒤로 주고받아야 하며 이 과정에서 에너지가 낭비되기 때문입니다. 이를 해결하기 위해 과학자들은 기억과 계산이 동일한 아주 작은 지점에서 일어나는 인간의 뇌를 모방한 새로운 종류의 하드웨어를 구축하고 있습니다. 이 인공 뇌세포라고 불리는 시냅스는 효율적으로 작동하기 위해 단순한 온/오프 스위치뿐만 아니라 여러 가지 다양한 값을 보유할 수 있어야 합니다. 수년 동안 유망한 유형의 메모리인 자기 저항 메모리(MRAM)는 보통 두 가지 상태에 머물러 있어 이 작업에 너무 단순하다는 한계가 있었습니다. 그러나 최근 연구진은 이러한 자기 소자들이 한 번에 여러 값을 보유하도록 유도하는 방법을 찾아냈으며, 이는 훨씬 더 에너지 효율적인 컴퓨터를 향한 길을 열어주었습니다.
텍사스 대학교 오스틴 캠퍼스와 벨기에의 연구 센터 IMEC에서 근무하는 연구진은 자기 터널 접합(MTJ)이라고 알려진 특정 유형의 자기 메모리 소자에 집중했습니다. 이 소자를 아주 작은 샌드위치라고 상상해 보십시오. 자성 층들이 얇은 절연체에 의해 분리되어 있는 구조입니다. 표준 버전의 이 소자에서 자성 층들은 0 또는 1을 나타내는 두 가지 방향 중 하나를 가리킬 수 있습니다. 연구팀은 이 소자들이 단 두 개의 값 이상의 값을 가질 수 있게 만들 수 있는지 확인하고자 했습니다. 이를 위해 그들은 산업 제조의 표준인 저녁 접시 크기의 거대한 실리콘 웨이퍼 위에 대량의 이러한 소자들을 제작했습니다. 그들은 제어 그룹인 완벽하게 둥근 원형 소자와 비교하기 위해, 소자의 폭보다 약 5배 더 길게 늘어뜨린 가늘고 긴 형태의 소자들을 만들었습니다.
연구진이 이 길고 좁은 소자들을 테스트했을 때, 그들은 예상치 못한 발견을 했습니다. 자기장을 가하고 소자에 전기 펄스를 보냄으로써, 자성 층들이 양 끝의 극단적인 두 상태가 아닌 다양한 안정적인 위치에 자리 잡도록 강제할 수 있었습니다. 가장 성능이 좋은 긴 소자들의 경우, 저항을 8개의 뚜렷한 단계로 조절할 수 있었습니다. 이는 단일 소자가 단 하나의 비트가 아닌, 한 번에 3비트의 정보를 표현할 수 있음을 의미합니다. 반면, 원형 제어 소자들은 여전히 두 가지 상태만을 전환하는 이진법적 상태에 머물러 있었습니다. 이 추가적인 단계들을 구현하는 핵심은 소자의 모양과 그 안을 흐르는 전류의 방식이었습니다. 긴 모양 덕분에 전기적 전위가 소자 전체에 걸쳐 다양하게 나타났고, 이로 인해 발생한 미세한 불균형이 자기 벽(magnetic walls)을 형성하고 중간에 고정되게 하여 그 추가적인 저항 단계들을 만들어냈습니다.
이 현상이 정확히 어떻게 일어났는지 이해하기 위해, 연구팀은 전기 흐름과 미세 구조 내부의 자기장 거동을 모델링한 상세한 컴퓨터 시뮬레이션을 실행했습니다. 이 시뮬레이션은 추가적인 단계들이 불균일한 전기 흐름에 의해 고정된 자기 도메인 벽(magnetic domain walls, 자성 방향이 변하는 경계)에 의해 발생했음을 확인해주었습니다. 연구진은 또한 주변 층에서 발생하는 미세한 자기장이 원인인지 확인하기 위해 시뮬레이션을 돌렸으나, 그 결과 해당 자기장들은 너무 약하고 국소적이어서 주요 동력이 될 수 없음을 보여주었습니다. 대신, 증거들은 긴 형태의 소자가 만들어낸 특정한 전기적 조건이 다단계 동작의 주요 원인임을 가리켰습니다.
연구팀은 이 새로운 다단계 소자들이 실제 상황에서 얼마나 유용한지 테스트하기 위해, 인공지능의 표준 테스트인 필기 숫자 인식용 신경망을 시뮬레이션했습니다. 그들은 실제 소자에서 측정된 저항 수치들을 사용하여 신경망을 프로그래밍했습니다. 모든 소자가 완벽하게 작동하여 8단계 모두에 도달할 수 있다고 가정했을 때, 시스템은 96.1%의 정확도를 달립, 이는 완벽한 디지털 컴퓨터의 성능과 매우 유사합니다. 그러나 제조 과정에서 발생하는 개별 소자 간의 자연스러운 차이를 포함했을 때, 정확도는 48.6%로 떨어졌습니다. 이 격차는 이 기술이 작동하기는 하지만, 진정으로 신뢰할 수 있기 위해서는 소자들이 더 일관되게 제작되어야 함을 강조합니다.
이 연구는 단순히 모양과 구동 방식을 바꾸는 것만으로도 표준 자기 메모리 칩을 다단계 인공 시냅스로 전환할 수 있음을 보여줍니다. 연구진은 소자를 길게 늘림으로써 일반적인 이진법의 한계를 깨고 저항 스펙트럼에 접근할 수 있음을 입증했습니다. 비록 소자들이 서로 어느 정도의 편차를 보이기는 하지만, 단계적인 과정을 통해 특정 상태로 프로그래밍할 수 있다는 능력은 마치 생물학적 뇌처럼 학습이 가능하다는 것을 시사합니다. 이러한 발견은 오늘날의 컴퓨터가 치르는 막대한 에너지 비용 없이도 복잡한 인공지능 작업을 수행할 수 있는 확장 가능하고 에너지 효율적인 뉴로모픽 시스템을 구축할 수 있는 명확한 경로를 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.