Special 인공지능 컴퓨팅을 위한 소재 및 소자기술 개발 동향(1)

뉴로모픽 시냅스 전자 재료 및 장치 기술 개발 동향

김용훈_한국재료연구원 책임연구원

현재, 각종 스마트 기기와 센서를 통해 데이터가 폭발적으로 증가함에 따라 이를 효율적으로 처리할 수 있는 빅데이터용 컴퓨팅 아키텍처의 필요성이 커지고 있다. 전통적인 폰 노이만 구조는 연산 장치와 메모리가 물리적으로 분리되어 있어, 이미지·음성·영상과 같은 방대한 비정형 데이터를 처리할 때 메모리 병목 현상으로 인한 성능 저하 문제가 두드러진다. 이에 비해 뉴로모픽 컴퓨팅 시스템은 본질적으로 대규모 병렬 연산을 수행할 수 있어, 이러한 비정형 데이터를 시간 및 에너지 측면에서 훨씬 효율적으로 처리할 수 있는 잠재력을 가진다. 다만 실제 뉴로모픽 하드웨어 구현에서는 인공 시냅스 소자의 비선형성, 가중치 업데이트의 비대칭성, 소자 특성 변동과 신뢰성 문제 등이 여전히 큰 도전 과제로 남아 있다. 더 나아가, 착용형 기기에서 개인 데이터를 현장에서(in-situ) 직접 학습·처리할 수 있는 인공 신경망용 하드웨어 플랫폼을 확보하는 것은 적응형 웨어러블 뉴로모픽 엣지 컴퓨팅을 실현하기 위한 필수 조건이다.

1. 들어가는 글

오늘날 모든 기기에 연결된 급격한 정보의 확산으로 인해 빅데이터를 효과적으로 처리하기 위한 미래 컴퓨팅 기술에 대한 요구가 커지고 있다. 특히, 저장과 메모리 장치가 물리적으로 분리되어 있는 기존 폰 노이만 컴퓨팅 시스템은 대량의 비정형 데이터 (소리, 이미지, 영상 등)를 처리하는 데 심각한 문제에 직면해 있고, 이를 폰 노이만 병목현상 (von Neuman Bottleneck)이라 불린다. 최근 시장 분석에 따르면, 뉴로모픽 인공지능 기술은 2025년 약 0.2억 달러 규모에서 2030년 약 7억 달러, 2035년에는 약 20억 달러 수준으로 빠르게 성장할 것으로 예측된다. [1] 이는 뉴로모픽 AI가 엣지 컴퓨팅, 지능형 센서, 로봇 비전 등 특정 응용 분야에서 점점 더 중요한 역할을 담당하게 될 것임을 의미한다. 

그림 1. 2025–2035년 인공지능 시장에서 뉴로모픽 AI 매출 비중과 성장 전망[1]

  따라서, 인간의 뇌를 모방하여 기존의 컴퓨팅 시스템을 뛰어넘는 뉴로모픽 컴퓨팅 아키텍쳐 (Neuromorphic computing architecture)가 이에 대한 대안 기술로 떠오르고 있다. 병렬처리의 핵심 기능인 뉴로모픽 컴퓨팅 시스템은 시간과 에너지 효율적인 방식으로 대규모 비정형 데이터를 처리할 수 있다. 뉴로모픽 기술은 산업, 소비자, 자동차, 의료, 데이터센터 등 다양한 분야에서 순차적으로 적용이 확대될 것으로 전망된다[1]. 예를 들어, 산업용 카메라 및 머신 비전, 드론, 스마트홈·보안 시스템, 웨어러블 기기, ADAS 및 자율주행차, 의료 모니터링 등에서 뉴로모픽 프로세서와 센서의 탑재가 점진적으로 증가할 것으로 예측된다.

그림 2. 뉴로모픽 기술의 채택과정과 응용 분야[1]

  하지만, 기존 폰 노이만 컴퓨팅 구조는 연산을 담당하는 CPU와 데이터를 저장하는 메모리가 공간적으로 분리되어 있어, 두 블록 사이의 데이터 전송이 병목으로 작용하는 ‘메모리 월(memory wall)’ 문제를 갖는다[2]. 대량의 비정형 데이터(이미지, 음성, 영상 등)를 처리해야 하는 현대 AI 응용에서는, 이와 같은 구조적 한계로 인해 지연시간 증가, 전력 소모 증가, 시스템 확장성 저하 문제가 두드러지고 있다.

그림 3. 폰 노이만 컴퓨팅 구조와 뉴로모픽 컴퓨팅 구조의 개념도 및 Memory wall 현상[2]

뉴로모픽 컴퓨팅 구조에서는 뉴런과 시냅스가 물리적으로 밀집·병렬화되어, 데이터 저장과 연산이 동일한 하드웨어 내에서 동시에 수행되는 ‘인메모리 컴퓨팅(in-memory computing)’이 가능하다. 이로 인해 기존 구조 대비 데이터 이동에 따른 에너지와 시간을 대폭 줄일 수 있으며, 스파이크 기반 아날로그 신호 처리를 통해 인간 뇌와 유사한 정보 처리 방식을 구현할 수 있다. 

  딥러닝 모델의 규모와 복잡도가 증가함에 따라, 대표적인 비전·언어·게임 AI 모델들의 연산량은 지난 수십 년 동안 기하급수적으로 증가해 왔다. 특히 GPU 기반 학습·추론에 요구되는 연산량이 몇 개월 단위로 두 배씩 증가하는 추세는, 글로벌 ICT 및 데이터센터 전력 수요를 크게 끌어올리며 탄소 중립 관점에서도 심각한 도전 과제로 대두되고 있다. [3] 언어 모델, 비전 모델, 강화학습 에이전트 등 다양한 AI 워크로드의 연산 요구량과 이에 따른 전력 소비는, 향후 기존 디지털 컴퓨팅만으로는 지속가능한 확장이 어렵다는 점을 보여준다. 고에너지 효율 뉴로모픽 하드웨어는 이러한 연산량·에너지 간극을 완화할 수 있는 유력한 대안으로 제시되고 있다.

그림 4. 주요 딥러닝 모델의 연산량 증가 추세와 ICT·데이터센터 전력 소비 스케일[3]

뉴로모픽 하드웨어에서 인공 신경망(ANN)을 안정적으로 구현하기 위해서는, 소자 수준에서 다양한 신경가소성 특성과 고정밀 아날로그 가중치 조절 기능이 요구된다[4]. 이를 위해 멤리스터, 전기화학 랜덤 액세스 메모리(ECRAM), 위상변화 메모리(PCM), 강유전체 트랜지스터(FeFET) 등 여러 소자 후보가 제안되어 왔다. 이들 인공 시냅스 소자는 대체로 다음과 같은 공통 요구 조건을 만족해야 한다. 스위칭당 에너지 소모 < 10 fJ 수준의 초저전력 동작, 10 Hz 이상의 동작 속도와 10⁹회 이상의 내구성, 최소 32단계(5비트) 이상의 아날로그 상태 수, 10년 이상 유지 가능한 비휘발성 특성, 가중치 증가/감소의 선형성 및 대칭성 확보, 대규모 집적이 가능한 공정 호환성 등 다양한 요구 조건을 만족하는 인공 시냅스 소자의 개발은 실질적인 뉴로모픽 하드웨어 구현의 핵심 과제라 할 수 있다.</p>

  하지만, 3D 구조 통합 및 고집적 반도체 기술의 발전에도불구하고 외부 자극에 대한 다중 레벨 상태의 비선형성 및 비대칭 가중치 업데이트와 같은 근본적인 제약을 해결하지 못하고 있는 실정이다. 최근, 전기화학적 반응 메커니즘을 기반으로 한 전기화학적 랜덤 액세스 메모리 (Eletrochemical Random Access Memory, ECRAM) 소자에 대한 연구가 활발히 진행되고 있다[5].

  ECRAM 소자의 경우, 인풋과 아웃풋의 물리적으로 분리되어 있어 이온의 가역적 반응을 통해 선형적이고 대칭적인 가중치 업데이트가 가능하다는 장점을 갖는다. 최근에는 그래핀, 전이금속 디칼코게나이드 (TMD) 및 질화붕소 등의 2차원(2D) 인공 뉴로모픽 시냅스 소재와 통합하여 고도화된 어레이 기능을 갖춘 뉴로모픽 소자들이 보고되고 있다. 이러한 원자적으로 얇은 2D 소재는 기존의 부피가 큰 소재와 달리 저전력 스위칭과 게이트 조절 능력 그리고 기계적 유연성과 같은 탁월한 특성이 가능하다는 장점을 가진다[4].

  한국재료연구원에서는 2차원 소재 합성 및 뉴로모픽 소자 응용 분야에서 괄목할만한 성과를 보여주고 있다. 이번 특집에서는 한국재료연구원에서 수행해온 2차원 소재 기반 뉴로모픽 컴퓨팅 전자소자에 대한 간략한 소개와 발전, 그리고 연구 동향에 관해 소개하고자 한다. 

-----이하 생략

<본 기사는 일부 내용이 생략되었습니다. 자세한 내용은 세라믹코리아 2026년 3월호를 참조바랍니다. 정기구독하시면 지난호보기에서 PDF 전체를 열람하실 수 있습니다.>