⚡ electrical engineering

Dynamic analogue iterative computing with memristors for real-time robotic autonomy

본 논문은 실시간 로봇 자율 주행을 위해 아날로그 보상 예측 1단계 프로그래밍 기법을 활용하여 에너지 효율적이고 지연 시간이 낮으며 정확한 동적 행렬 방정식을 해결함으로써 NVIDIA Jetson과 같은 기존 디지털 플랫폼을 크게 능가하는 멤리스터 기반 아날로그 반복 컴퓨팅 시스템(mAIC)을 제시한다.

원저자: Yi Li, Yibai Xue, Jiancong Li, Zhili Cui, Yingjie Yu, Yuyang Fu, Han Bao, Wenbo Yue, Longke Yan, Xin Zhao, Jia Chen, Kan-Hao Xue, Fengbin Tu, Zhongrui Wang, Xiangshui Miao

게시일 2026-08-10

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yi Li, Yibai Xue, Jiancong Li, Zhili Cui, Yingjie Yu, Yuyang Fu, Han Bao, Wenbo Yue, Longke Yan, Xin Zhao, Jia Chen, Kan-Hao Xue, Fengbin Tu, Zhongrui Wang, Xiangshui Miao

원본 논문은 CC BY 4.0 (https://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 마라톤을 하는 동안 거대하고 끊임없이 변하는 퍼즐을 풀려고 노력하고 있다고 상상해 보십시오. 로봇의 세계에서 이 퍼즐은 '행렬 방정식'이라 불리는 수학 문제 세트입니다. 이 방정식들은 로봇의 두뇌이며, 로봇이 어디에 있는지, 어디로 가야 하는지, 그리고 어떻게 장애물에 부딪히지 않을지를 끊임없이 계산합니다. 까다로운 점은 로봇이 새로운 장애물을 발견하거나 새로운 위치로 이동함에 따라 퍼즐 조각(방정식 속의 숫자들)이 매 밀리초마다 변한다는 것입니다.

전통적으로 로봇은 디지털 컴퓨터를 사용하여 이 퍼즐을 해결하는데, 디지털 컴퓨터는 마치 매우 빠른 회계사와 같습니다. 이들은 멈춰서 숫자를 적고, 메모리 책상에서 계산 책상으로 숫자를 옮기고, 수학 계산을 한 뒤, 다시 답을 옮겨 놓아야 합니다. 이 "이동하는 과정"은 마치 러너가 몇 걸음마다 신발 끈을 묶기 위해 멈추는 것과 같이 시간과 에너지를 소모합니다. 과학자들은 '멤리스터'라고 불리는 아주 작은 전자 스위치를 사용하여 이와 다른 종류의 두뇌를 구축하기 위해 노력해 왔습니다. 멤리스터를 특정 양의 물(전기)을 머금어 숫자를 나타낼 수 있는 마법 같은 스펀지라고 생각해 보십시오. 만약 이 스펀지들을 격자 형태로 배치한다면, 숫자를 옮길 필요 없이 그저 스펀지 사이로 물을 흘려보내는 것만으로 수학 퍼즐을 즉시 풀 수 있습니다. 문제는 이 스펀지들이 다소 지저분하다는 점입니다. 물의 양을 정확하게 조절하는 것은 보통 "추측, 확인, 조정"이라는 느리고 반복적인 과정을 필요로 하며, 이는 시간과 에너지 절감 효과를 모두 갉아먹습니다.

이 논문은 이 지저한 스펀지들을 사용하여 로봇의 변화하는 퍼즐을 빠르고 정확하게 해결하는 새로운 방법을 소개합니다. 파운드리 제조 하드웨어를 활용하여 연구를 진행한 연구진은 "mAIC"(멤리스터 기반 아날로그 반복 계산)라고 불리는 시스템을 개발했습니다. 기존의 "추측 및 확인" 방식 대신, 그들은 "AC-PoP"라는 영리한 기술을 고안했습니다. 양동이를 아주 특정한 선까지 채워야 한다고 상상해 보십시오. 물을 한 방울씩 떨어뜨리며 매번 수위를 확인하는 대신, 양동이가 어떻게 새고 채워지는지에 대한 특별한 지도를 사용하여 한 번에 정확히 얼마만큼의 물을 부어야 할지 예측하는 것입니다. 만약 목표치에서 아주 조금이라도 벗어난다면, 당신의 시스템에는 오차를 즉시 수정할 수 있는 딱 알맞은 양의 "교정용 물"을 더해줄 두 번째, 세 번째, 네 번째 스펀지가 준비되어 있습니다. 이를 통해 로봇은 느린 확인 과정 없이 순식간에 수학 퍼즐을 업데이트할 수 있습니다.

연구진이 실제 경로를 탐색하는 로봇과 복잡한 매핑 작업(SLAM이라 불리는)에서 이 시스템을 테스트했을 때, 결과는 놀라웠습니다. 새로운 시스템은 최고의 디지털 컴퓨터와 거의 동일한 정확도로 수학 문제를 해결했습니다. 하지만 훨씬 더 빨랐고 전력은 훨씬 적게 사용했습니다. 표준 로봇 컴퓨터(NVIDIA Jetson)와 비교했을 때, 새로운 시스템은 4.4배 더 빨랐고 에너지는 627.9배 적게 사용했습니다. 심지어 스펀지를 프로그래밍하는 기존의 더 느린 방식과 비교했을 때도, 이 새로운 방법은 퍼즐 조각을 업데이트하는 데 있어 345배 더 빨랐습니다. 연구진은 이 "원샷 예측" 기술과 연속적인 전류의 흐름을 결합함으로써, 로봇이 배터리가 다 되기도 전에 세상이 변하는 속도만큼이나 빠르게 자신의 생각을 실시간으로 업데이트할 수 있는 두뇌를 드디어 가질 수 있음을 보여주었습니다.

기술 요약: 실시간 로봇 자율 주행을 위한 멤리스터 기반 동적 아날로그 반복 컴퓨팅

문제 정의
자율 이동 로봇(AMR) 시스템은 실시간 추정, 최적화 및 제어를 필요로 하며, 이는 근본적으로 동적 행렬 방정식( $A(t)x(t)=b(t)$ )에 기반합니다. SLAM(동시적 위치 추정 및 지도 작성) 및 경로 계획과 같은 로봇 작업은 변화하는 센서 입력과 환경 조건에 대응하여 계수 행렬(coefficient matrices)이 빈번하게 업데이트되어야 하는 특성을 가집니다. 기존의 디지털 폰 노이만 구조는 별도의 메모리와 프로세싱 유닛 사이에서 데이터를 이동시키는 과정에서 발생하는 데이터 전송 지연과 에너지 오버헤드라는 "메모리 벽(memory wall)" 병목 현상에 직면해 있습니다. 멤리스터 기반의 아날로그 컴퓨팅 인 메모리(ACIM)는 고효율의 행렬-벡터 곱(MVM)을 인시투(in situ)에서 수행할 수 있는 유망한 대안이지만, 다음과 같은 두 가지 주요 과제로 인해 동적 워크로드 적용에 어려움을 겪고 있습니다:

행렬 업데이트의 높은 오버헤드: 멤리스터 컨덕턴스를 정확하게 프로그래밍하려면 소자의 확률론적 특성과 변동성을 보상하기 위해 반복적인 쓰기-검증(write-verify, WVP) 과정이 필요합니다. 동적 시나리오에서 이러한 빈번한 업데이트에 따르는 에너지와 지연 시간 비용은 아날로그 가속의 계산적 이점을 상쇄할 수 있습니다.
동적 솔빙에서의 정밀도: 기존의 하이브리드 아날로그-디지털 솔버는 반복적인 아날로그-디지털(AD) 및 디지털-아날로그(DA) 변환으로 인한 데이터 전송 오버헤드를 겪습니다. 반대로, 완전 아날로그 솔버는 소자 편차와 회로 결함에 민감하여, 자주 변경되는 행렬의 특수한 요구사항을 해결하지 못하면 고정밀 솔빙이 어렵습니다.

방법론
저자들은 동적 행렬 방정식을 효율적이고 정확하게 해결하기 위해 설계된 멤리스터 기반 아날로그 반복 컴퓨팅(mAIC) 시스템을 제안합니다. 이 시스템은 두 가지 핵심 혁신 기술을 통합합니다:

아날로그 보상 예측 단일 단계 프로그래밍 (AC-PoP):
- 업데이트 병목 현상을 해결하기 위해, 저자들은 반복적인 WVP를 단일 예측 펄스와 후속 아날로그 보상으로 대체하는 방식을 개발했습니다.
- 멤리스터 매크로의 응답( $\Delta g = f(V)$ )에 대한 사전 특성화된 예측 모델을 사용하여, 타겟 컨덕턴스 상태로 소자를 구동하기 위한 단일 프로그래밍 펄스를 계산합니다.
- 예측 프로그래밍은 소자 간(D2D) 및 사이클 간(C2C) 변동성로 인해 필연적으로 잔류 오차를 남기므로, 본 방식은 단계적 보상 메커니즘을 채택합니다. 잔류 오차는 후속 매크로(또는 사이클)로 전달되어 교정되며, 이를 통해 반복적인 검증 지연 없이 정확한 행렬 업데이트를 수행합니다.
- 부호가 있는 행렬 업데이트는 차동 인코딩 방식( $G_N = G_+ - G_-$ )을 통해 처리되며, 업데이트는 세트(set)/리셋(reset) 동작을 최적화하기 위해 크기 전용 또는 부호 반전 방식으로 분류됩니다.
연속 시간 아날로그 피드백 솔버:
- mAIC 시스템은 행렬 방정식을 아날로그 영역에서 직접 해결하기 위해 완전 아날로그 반복 아키텍처를 구현합니다.
- 행렬 방정식은 반복 형태( $x_{i+1} = Bx_i + f$ )로 변환됩니다. 반복 행렬 $B$ 는 트랜스임피던스 증폭기(TIA)로 스케일링된 다수의 컨덕턴스 행렬을 사용하여 구현됩니다.
- 시스템은 MVM의 출력이 벡터 항 $f$ 와 합산되어 다음 반복을 위한 입력으로 다시 피드백되는 폐루프 피드백 회로로 작동합니다. 이를 통해 반복적인 AD/DA 변환 없이 연속적인 시간 내에 수렴이 가능합니다.
- 하드웨어 플랫폼은 마이크로컨트롤러, 트랜스퍼 게이트, 아날로그 가더를 포함한 CMOS 회로와 통합된 파운드리 제작 1-Kb 1T1R (one-transistor-one-resistor) $\text{TaO}_x$ 멤리스터 매크로를 활용합니다.

주요 기여

AC-PoP 방식: 불완전한 멤리스터 소자에서도 정확하고 저지연이며 에너지 효율적인 동적 행렬 업데이트를 가능하게 하여, 반복적인 쓰기-검증 사이클의 필요성을 줄이는 새로운 프로그래밍 전략을 제시했습니다.
통합 mAIC 시스템: AC-PoP를 연속 시간 아날로그 솔버와 결래한 하드웨어 데모를 통해 동적 워크로드에 대해 소프트웨어와 대등한 정확도를 달달성했습니다.
확장성 분석: 대규모 희소 행렬 방정식을 위한 블록 단위 매핑 전략을 평가하여, IR-drop과 같은 회로 비이상성을 완화하면서 대규모 SLAM 문제를 처리할 수 있음을 입증했습니다.

결과
시스템은 시뮬레이션 및 실제 로봇 작업 모두에서 파운드리 제작 멤리스터 매크로를 사용하여 검증되었습니다:

업데이트 효율성: 기존 WVP와 비교했을 때, AC-PoP 방식은 대등한 업데이트 정확도를 유지하면서 행렬 업데이트 에너지를 101배, 지연 시간을 345배 감소시켰습니다.
SLAM 백엔드 최적화: KITTI 데이터셋에서 추출한 SLAM 위치 추정 작업에서, mAIC 시스템은 0.09%의 상대적 컨덕턴스 매핑 오차(3회 보상 사이클 시)와 $4.57 \times 10^{-4}$ 의 평균 솔루션 오차를 달성했습니다. 재구성된 궤적의 변위 오차는 0.49%로, CPU 기반 직접 솔버의 0.39% 오차와 대등한 수준이었습니다.
실제 경로 계획: 변화하는 환경에서의 동적 재계획을 포함하는 물리적 이동 로봇 실험에서, mAIC 시스템은 NVIDIA Jetson 플랫폼 대비 프로세싱 지연 시간을 4.4배 단축하고 에너지 소비를 627.9배 절감했습니다. 시스템은 40회의 재계획 단계 동안 약 $1.85 \times 10^{-3}$ 의 평균 절대 솔루션 오차를 유지했습니다.
확장성: 행 단위 블록 매핑 전략을 사용한 대규모 SLAM 작업의 SPICE 시뮬레이션 결과, 행렬 규모가 커지더라도 디지털 참조값 대비 최소한의 정확도 손실만으로 19.8 $\mu\text{s}$ 이내에 솔빙에 수렴할 수 있음을 보여주었습니다.

의의 및 주장
본 논문은 이 연구가 멤리스터 기반 컴퓨팅을 주로 정적 행렬 가속 패러다임에서 정확하고 동적으로 재구성 가능한 아날로그 컴퓨팅으로 진전시켰다고 주장합니다. AC-PoP 방식을 통해 빈번한 행렬 업데이트라는 핵심 병목 현상을 해결함으로써, 저자들은 멤리스터 기반 ACIM이 최첨단 디지털 엣지 프로세서보다 우수한 에너지 및 지연 시간 프로필을 갖춘 실시간 로봇 자율 주행을 지원할 수 있음을 입증했습니다.

저자들은 이 능력을 미래 엣지 인텔리전스의 토대로 보고 있으며, 멤리스티브 하드웨어에서의 효율적인 동적 업데이트가 물리적 환경에 대응하는 온라인 적응, 인시투 학습(in situ learning), 그리고 지속적인 모델 진화를 가능하게 할 것이라고 제안합니다. 이 연구는 멤리스터 컴퓨팅의 모든 과제를 해결한다고 주장하는 것이 아니라, 특히 정적 워크로드에서 동적 워크로드로의 전환을 다룸으로써 복잡한 AMR 애플리케이션을 위한 완전 통합형 mAIC 칩으로 가는 실행 가능한 경로를 제공합니다.

유사한 논문