장진곤 교수(컴퓨터정보공학부), 멤리스터 기반 인공지능 학습 정확도 향상 연구

국제 저널 인사이드 커버 논문 게재

모교 장진곤 교수(컴퓨터정보공학부)는 아주대학교 박성준 교수팀과 공동으로 차세대 인공지능 학습 및 추론을 위한 멤리스터 소자의 특성과 설계 기준을 제시한 연구를 수행하고, 그 성과를 세계적 학술지인 (JCR top 10.1%) 3월호 인사이드 프론트 커버(Inside Front Cover) 논문으로 게재했다.

Advanced Intelligent Systems 3월호 인사이드 프론트 커버(inside front cover) 이미지

이번 연구는 인공지능 기술의 연산 효율성과 정확성을 높이기 위한 ‘뉴로모픽 컴퓨팅’ 구현의 핵심 요소인 멤리스터(Memristor) 소자를 다층 신경망(Deep Neural Network, DNN)에 적용하고, 그 특성을 체계적으로 분석한 것이다. 멤리스터는 기존의 디지털 방식이 아닌 아날로그 방식으로 동작하며 다양한 저항 상태를 가질 수 있는 메모리 소자로, 인간의 뇌 신경세포의 시냅스를 모사하는 데 유리해 AI 하드웨어 구현을 위한 차세대 기술로 주목받고 있다.

뉴로모픽 컴퓨팅은 인간의 뇌처럼 수많은 뉴런과 시냅스가 병렬로 작동해 정보를 빠르고 효율적으로 처리하는 방식의 연산 구조다. 특히 이미지, 음성, 언어 등 복잡하고 비정형적인 데이터를 다루는 빅데이터 시대에 적합한 새로운 컴퓨팅 플랫폼으로 기대를 모으고 있다. 이러한 구조에서는 딥러닝의 ‘가중치’ 역할을 담당하는 메모리 소자의 성능이 AI 학습의 정확도에 직접적인 영향을 미치게 된다.

장 교수팀은 n형 반도체인 인듐-갈륨-징크-옥사이드(IGZO) 기반 멤리스터 소자를 직접 설계하고, 이를 아날로그 멀티-레벨 스위칭 상태에서 복잡한 이미지 데이터를 학습하도록 설정했다. 이후, 이 소자를 활용한 다층 신경망 모델을 통해 추론 및 연산 정확도를 분석하였다. 기존에는 소프트웨어에서 계산한 가중치 값을 하드웨어 소자에 정확히 반영하기 어려워 미세한 오차가 발생했고, 이는 전체 연산 성능 저하로 이어지는 문제가 있었다.

연구진이 설계한 다층 신경망 구조 및 멀티-레벨 아날로그 상태 개수에 대한 학습 진행에 따른 추론 성능 지표

연구팀은 멤리스터 소자의 아날로그 저항 상태를 단순 근사치로 대체하지 않고, 전도성 상태의 수, 선형성, 소자 간 성능 편차가 신경망 연산에 미치는 영향을 실험적으로 검증했다. 그 결과, 아날로그 전도성 상태가 50개 이상 확보될 경우 신경망 학습 성능이 수렴하며, 소자 간 편차가 5% 이내일 때 안정적인 신경망 성능이 확보되는 것으로 나타났다. 이는 디지털 방식의 이상적 웨이트 기반 신경망과 유사한 수준인 최대 인식률 84.36%, 최소 손실값 16.8%를 달성한 결과다.

특히 이번 연구는 멤리스터 소자의 하드웨어적 한계를 넘어서기 위해 기존보다 현실적인 전기적 특성을 반영한 신경망 설계 구조를 제시함으로써 차별화를 이루었다. 단순히 많은 상태 수를 근사하는 방식이 아니라 실제 소자의 특성을 바탕으로 최소 메모리 상태 수와 어레이(배열) 기반 회로에서 허용 가능한 성능 오차 기준까지 함께 제시한 점에서 실용성이 높다.

왼쪽부터 광운대학교 컴퓨터정보공학부 장진곤 교수, 아주대학교 지능형반도체공학과 송윤석 석사과정,

아주대학교 전자공학과 · 지능형반도체공학과 박성준 교수

이번 연구는 하드웨어 기반 인공지능 연산의 실현 가능성을 확인하고, 병렬 연산에 적합한 에너지 효율적인 멤리스터 기반 컴퓨팅 구조의 이론적 기준을 제시한 점에서 큰 의의를 지닌다. 장진곤 교수는 “이 연구는 멤리스터 소자만으로도 이상적인 역전파 알고리즘과 퍼셉트론 성능을 충분히 구현할 수 있음을 보여주는 사례”라며 “향후 멤리스터를 활용한 뉴로모픽 AI 하드웨어 구현에 기반이 되는 기술적 가이드를 제공하게 될 것”이라고 전했다.

출처 : 광운대학교 최신연구성과 (kw.ac.kr)