미국 - 이크바리 뉴스 통신사
메모리 기술의 혁신, AI 성능 장벽 돌파 전망
인공지능(AI) 분야에 혁명을 일으킬 수 있는 이번 개발은 캘리포니아 대학교 샌디에이고(UCSD) 연구팀이 저항성 랜덤 액세스 메모리(RRAM) 분야에서 이룬 획기적인 성과입니다. 이 혁신은 현대 AI 시스템이 직면한 가장 심각한 장애물 중 하나인 악명 높은 '메모리 벽'을 직접적으로 해결합니다. 이 병목 현상은 고도로 최적화된 AI 모델조차도 프로세서와 메모리 간에 데이터를 계속 주고받는 데 드는 상당한 시간과 에너지 소비에서 비롯됩니다.
UCSD 연구팀이 개발한 3D 적층 벌크 RRAM의 독창성은 메모리 셀 내부에서 직접 연산 작업을 수행할 수 있다는 능력에 있습니다. '메모리 내 컴퓨팅(in-memory computing)'이라고도 불리는 이 패러다임은 지속적이고 에너지 집약적인 데이터 이동의 필요성을 제거하여 AI 처리에서 전례 없는 속도와 효율성을 위한 길을 열어줍니다.
Read Also
기존 메모리의 한계 극복
전통적으로 RRAM 장치는 전기 저항을 변경하여 데이터를 저장합니다. 그러나 기존 RRAM 기술은 종종 불안정성과 복잡성으로 인해 어려움을 겪었으며, 특히 AI와 같이 데이터 집약적인 분야에서의 실질적인 응용을 제한했습니다. 기존 RRAM의 주요 문제는 저항성 재료 내부에 전도성 '필라멘트(filaments)'를 형성하는 데 의존한다는 것입니다. 이러한 필라멘트 형성은 일반적으로 높은 전압을 필요로 하며, 이는 종종 표준 상보성 금속 산화물 반도체(CMOS) 제조 공정과 호환되지 않아 현대 프로세서와의 원활한 통합을 방해합니다. 또한, 필라멘트 형성 과정은 본질적으로 노이즈가 많고 무작위적이어서 데이터 오류를 유발합니다. 이는 정확한 가중치 값에 의존하는 딥러닝 모델에게 치명적인 단점입니다.
이러한 한계를 극복하기 위해 전기 공학자 Duygu Kuzum이 이끄는 UCSD 연구진은 RRAM 아키텍처를 근본적으로 재설계했습니다. 필라멘트 형성에 의존하는 대신, 그들은 '벌크 RRAM(bulk RRAM)'으로 알려진 새로운 변형을 개발했습니다. 이 혁신적인 설계에서는 국소적인 필라멘트를 형성하는 대신, 재료 전체의 레이어가 고저항 상태 사이를 전환합니다. 이 접근 방식은 고전압 필라멘트 형성의 필요성을 피하고, 기존 RRAM에서 셀 분리에 이전에 필요했던 '선택 트랜지스터(selector transistors)'의 필요성을 제거합니다. 이러한 단순화는 복잡한 3차원 적층 과정을 훨씬 쉽게 만듭니다.
3D 적층 및 저장 용량의 혁신
벌크 RRAM의 개념이 완전히 새로운 것은 아니지만, UCSD 그룹은 이러한 장치를 소형화하고 기능적인 3D 회로로 통합하는 데 상당한 발전을 이루었습니다. 연구진은 RRAM 장치를 나노 스케일까지 성공적으로 축소했으며, 개별 장치의 직경은 40 나노미터에 불과했습니다. 결정적으로, 그들은 이러한 벌크 RRAM 장치를 최대 8개 층까지 쌓는 데 성공했습니다. 이 8층 적층 구조의 각 셀은 6비트의 데이터를 나타낼 수 있어, 단일 전압 펄스로 64가지의 서로 다른 저항 레벨을 저장할 수 있습니다. 저항 상태에서의 이러한 높은 수준의 정밀도는 기존 필라멘트 기반 RRAM으로는 달성하기 매우 어렵습니다.
또한, 새로운 벌크 RRAM 스택은 필라멘트 기반 RRAM의 일반적인 킬로옴(kΩ) 범위에 비해 상당히 증가한 메가옴(MΩ) 저항 범위에서 작동합니다. Kuzum 박사는 이 더 높은 저항 범위가 병렬 연산에 특히 유리하며, 메모리 내 컴퓨팅의 효율성을 더욱 향상시킨다고 언급합니다.
실제 적용 사례: 연속 학습 신경망
기술의 잠재력을 시연하기 위해 연구진은 여러 개의 8층 벌크 RRAM 스택을 사용하여 1킬로바이트(KB) 메모리 배열을 구축했으며, 주목할 만하게도 선택 트랜지스터가 전혀 필요하지 않았습니다. 이 배열은 지속적으로 새로운 정보를 통합하면서 웨어러블 센서의 데이터를 분류하는 임무를 맡은 연속 학습 알고리즘으로 테스트되었습니다. 예를 들어, 웨어러블 스마트폰의 데이터를 사용하여 사용자의 앉기, 걷기, 계단 오르기 등의 활동을 정확하게 파악할 수 있었습니다. 테스트 결과, 디지털로 구현된 신경망의 성능과 필적하는 인상적인 90%의 정확도를 보였습니다.
Kuzum 박사는 이 기술이 지속적인 클라우드 연결 없이도 주변 환경으로부터 학습하고 적응해야 하는 엣지 디바이스(edge devices)에 배포되는 AI 모델에 특히 적합하다고 믿습니다. Kuzum은 "우리는 AI 애플리케이션을 위해 특별히 설계된 장치를 개발하기 위해 광범위한 특성 분석 및 재료 최적화를 수행하고 있습니다"라고 말했습니다.
Related News
미래의 과제와 유망한 전망
샌디아 국립 연구소의 재료 과학자이자 이 연구에 참여하지 않은 벌크 RRAM 연구원인 Alec Talin은 이러한 통합 발전을 매우 가치 있는 단계라고 설명했습니다. 그러나 Talin은 특히 컴퓨터의 실제 작동 환경에서 발생하는 높은 온도에서 장기간 데이터 유지 능력과 같은 잠재적인 과제를 강조했습니다. UCSD 그룹이 플래시 메모리와 유사하게 상온에서 수년간의 데이터 유지 능력을 시연했지만, 더 높은 작동 온도에서의 성능은 추가 연구가 필요한 주제입니다. Talin은 "특히 엣지 애플리케이션과 관련하여 이것이 이 기술의 주요 과제 중 하나"라고 언급했습니다.
엔지니어들이 이러한 과제를 성공적으로 극복한다면, 벌크 RRAM 기술은 모든 유형의 AI 모델에 상당한 이점을 제공할 수 있습니다. 지난 10년 동안 '메모리 벽'은 점점 더 어려운 장애물이 되어 왔으며, 기존 메모리는 대규모 AI 모델의 증가하는 요구 사항을 따라잡기 위해 고군분투하고 있습니다. 메모리 내에서 직접 계산을 가능하게 하는 모든 기술은 차세대 지능형 시스템의 발전을 위한 중요한 지름길을 제공합니다.
