Wafer-scale integration of atomically thin metal oxide in memtransistor arrays for artificial neural networks

현대적인 컴퓨터는 숫자를 계산하는 데 있어 믿기지 않을 정도로 빠르지만, 인간의 뇌가 아주 쉽게 해내는 학습과 패턴 인식 능력에는 어려움을 겪습니다. 이는 전통적인 컴퓨터가 데이터가 저장되는 메모리와 계산이 일어나는 프로세서를 분리해 놓았기 때문입니다. 문제를 해결하기 위해 기계는 이 두 곳 사이를 끊임없이 오가며 정보를 실어 날라야 하며, 이 과정은 막대한 양의 에너지를 소비하고 속도를 늦춥니다. 과학자들은 메모리와 계산이 같은 장소에서 일어나는 뇌의 구조를 모방한 새로운 종류의 컴퓨터를 만들기 위해 노력하고 있습니다. 인간의 뇌에서는 이것이 신경 세포 사이의 작은 접합부인 시냅스를 통해 이루어지는데, 시냅스는 시간이 지남에 따라 강화되거나 약화되며 기억을 저장할 수 있습니다. 이를 실리콘으로 재현하기 위해 연구자들은 생물학적 연결이 학습하는 방식을 모방하여 전기적 저항을 변화시킬 수 있는 전자 소자인 인공 시냅스를 개발하고 있습니다. 과제는 이러한 장치들을 대량으로, 완벽한 일관성을 갖추어, 표준 컴퓨터 칩 제조에 사용되는 공정과 호환될 수 있을 만큼 낮은 온도에서 만드는 것이었습니다.

연구팀은 이제 이 제조상의 난제를 해결하는 중요한 단계를 밟았습니다. 바로 단일 실리콘 웨이퍼 위에 이러한 인공 시냅스의 거대한 배열을 만들어낸 것입니다. 그들은 특정 재료, 즉 불과 몇 개의 원자 층 두께를 가진 주석 산화물(tin oxide)의 초박막에 집중했습니다. 금속 산화물은 전하를 가두어 정보를 저장할 수 있어 이 작업에 유망하지만, 넓은 표면에 걸쳐 균일하게 만드는 것은 매우 어려웠습니다. 이전의 방식들은 종종 구멍이 뚫리거나, 두께가 불균일하거나, 혹은 불순물이 포함된 박막을 만들어 전자 소자가 고장 나거나 예측 불가능하게 작동하게 만들었습니다. 연구진은 칩에 이미 구축된 섬세한 회로를 손상시키지 않는 극심한 열을 사용하지 않고도, 이 재료를 빠르고 깨끗하게 성장시킬 방법을 찾아야 했습니다.

이를 달로 달성하기 위해, 팀은 정전기 보조 액체 금속 프린팅(electrostatic-assisted liquid metal printing)이라 부르는 기술을 개발했습니다. 그들은 상대적으로 낮은 온도에서 액체 상태인 용융 주석 풀(pool)에서 시작했습니다. 주석이 공기 중에 놓여 있는 동안, 그 표면에는 자연스럽게 원자 단위로 얇은 주석 산화물 피부가 형성되었습니다. 연구진은 이 액체 표면을 부드럽게 닦아내어 오래되고 오염된 산화층을 제거하고 신선하고 깨끗한 피부를 노출시켰습니다. 그런 다음 이 신선한 표면을 2인치 크기의 커다란 실리콘 웨이퍼에 조심스럽게 접촉시켰습니다. 재료들 사이의 전기적 힘 덕분에, 얇은 산화물 피부가 액체 주석으로부터 벗겨져 실리콘 웨이퍼에 달라붙었고, 그 결과 완벽하고 균일한 박막이 남았습니다. 이 전체 과정은 225도 섭씨에서 진행되었는데, 이는 표준 칩 제조의 후반 공정과 호환될 수 있을 만큼 충분히 낮은 온도입니다. 그 결과, 주름이나 틈이 없는 깨끗하고 연속적인 주석 산화물 시트가 웨이퍼 전체를 덮게 되었습니다.

이 고품질의 박막을 확보한 후, 연구진은 32x32 정사각형 형태로 배열된 1,024개의 개별 전자 소자 그리드를 구축했습니다. 각 소자는 메모리를 저장하면서 동시에 신호를 처리할 수 있는 구성 요소인 멤트랜지스터(memtransistor) 역할을 합니다. 그리드 전체를 테스트했을 때, 96.9%의 소자가 완벽하게 작동하는 것을 발견했습니다. 이는 현재의 메모리 기술에 요구되는 기준을 훨씬 상회하는 놀라운 성공률입니다. 소자들은 웨이퍼 전체에서 일관된 동작을 보여주었으며, 이는 한 소자가 이웃한 소자와 거의 똑같이 작동함을 의미합니다. 이러한 균일성은 매우 중요한데, 만약 소자들이 너무 많이 차이가 나면 컴퓨터가 안정적으로 학습하거나 기억할 수 없기 때문입니다. 또한 연구진은 이 소자들이 서로 다른 저항 수준 사이를 매우 매끄럽게 전환할 수 있음을 발견했으며, 이는 실제 뇌의 연결 강도가 변하는 것처럼 다양한 값을 저장할 수 있음을 의미합니다.

그 후 팀은 학습을 필요로 하는 과업을 수행하도록 이 소자들을 프로그래밍하여 실전에 투입했습니다. 먼저, 그들은 이 배열이 이미지 처리에 사용되는 인공지능의 한 종류인 합성곱 신경망(convolutional neural network) 역할을 하도록 했습니다. 연구진은 건물이나 얼굴의 윤곽선과 같은 이미지의 가장자리를 감지할 수 있는 필터 역할을 하도록 소자들에 특정 저항 패턴을 프로그래밍했습니다. 이미지를 하드웨어에 입력했을 때, 소자들은 병렬로 정보를 처리했으며, 출력값은 표준 컴퓨터 소프트웨어 프로그램이 생성하는 결과와 거의 동일했습니다. 이 하드웨어는 수직선, 수평선, 엠보싱 디테일과 같은 특징들을 높은 정밀도로 추출해 낼 수 있었으며, 이는 물리적 소자가 전통적인 프로세서 없이도 복잡한 수학적 연산을 처리할 수 있음을 입증했습니다.

다음으로, 연구진은 노이즈가 섞이거나 불완전한 이미지가 주어졌을 때 완전한 이미지를 회상할 수 있는 메모리 시스템의 일종인 홉필드 네트워크(Hopfield network)로서의 배열 능력을 테스트했습니다. 그들은 패션-MNIST(Fashion-MNIST) 데이터셋을 사용하여 티셔츠와 같은 단순한 이미지들을 네트워크의 메모리에 저장했습니다. 그리고 무작위 노이즈로 가득 찬 훼손된 이미지를 네트워크에 제시했을 때, 시스템은 원래의 선명한 이미지를 성공적으로 재구성했습니다. 노이즈가 매우 심한 경우에도 시스템은 높은 정확도로 이미지를 복구할 수 있었습니다. 이 성능을 다른 유형의 메모리 기술로 구축된 유사한 시스템들과 비교했을 때, 주석 산화물 소자들은 다른 기술들이 흐릿해지거나 실패하는 지점에서도 선명도를 유지하며 우수한 성능을 보였습니다. 이는 주석 산화물 소자가 정보를 저장하고 검색하는 특정한 방식이 매우 안정적이고 신뢰할 수 있음을 시사합니다.

이 프로젝트의 성공은 단순하고 저온인 제조 방법과 주석 산화물 재료의 독특한 특성이 결리된 결과입니다. 액체 금속 프린팅 기술을 사용함으로써, 연구진은 일반적으로 대규모 및 고품질 소자 제작을 제한하는 고열과 복잡한 화학 공정을 피할 수 있었습니다. 결과물인 인공 시냅스는 균일하고 신뢰할 수 있을 뿐만 아니라, 인공지능에 필요한 중량감 있는 작업들을 수행할 수 있는 능력까지 갖추고 있습니다. 이 연구는 기존 칩 공장과 호환되는 재료를 사용하여 대규모의 뇌 모방 컴퓨팅 시스템을 구축하는 것이 가능하다는 것을 보여줍니다. 이 기술은 아직 연구 단계에 있지만, 이처럼 고품질의 대규모 인공 시냅스 배열을 생성할 수 있는 능력은 에너지 효율적인 뇌 모방 컴퓨터라는 꿈을 현실에 훨씬 더 가깝게 가져다 놓았습니다.