H-Index 122와 71,000회 인용: 멤리스터(Memristor)의 핵심 인물

멤리스터(Memristor)는 저항값을 영구적으로 저장하는 전기적 소자입니다. 이를 통해 생물학적 시냅스(Synapse)를 모방합니다. Everlast AI와의 인터뷰에서 멤리스터의 개척자인 Rainer Waser 교수는 이 기술이 어떻게 AI의 에너지 갈증을 근본적으로 해결할 수 있는지 설명합니다.

Waser는 물리학자, 화학자, 그리고 전기공학자입니다. 그는 RWTH Aachen에서 강의하며, Jülich 연구소에서 전자 재료 부문을 이끌었습니다. 그의 H-Index는 약 122이며, 그의 연구는 71,000회 이상 인용되었습니다. 2014년에는 독일 최고의 연구상인 라이프니츠상(Leibniz-Preis)을 수상했습니다.

폰 노이만 병목 현상(von-Neumann-Flaschenhals)이 전력을 잡아먹는다

오늘날의 컴퓨터에서는 프로세서(Processor)와 메모리(Memory)가 분리되어 있습니다. 데이터는 기가헤르츠(GHz) 속도로 버스(Bus)를 통해 왔다 갔다 합니다. Waser는 바로 이것을 **폰 노이만 병목 현상 (von-Neumann-Flaschenhals)**이라고 부릅니다. 모든 회로에는 커패시턴스(Capacitance)가 있으며, 이는 끊임없이 충전되고 방전됩니다. 이 과정에서 전력이 열로 변환됩니다.

그 효과는 엄청납니다. 칩 에너지의 약 99%가 데이터를 옮기는 과정에서 낭비됩니다. 실제 계산에 사용되는 부분은 극히 일부에 불과합니다. 이 문제는 이미 1945년부터 알려져 왔습니다. AI 시대에 들어서면서 이는 비용의 문제가 되었습니다.

수치는 압도적입니다. 국제 에너지 기구(International Energy Agency)에 따르면, 전 세계의 모든 데이터 센터를 하나의 국가로 합친다면 2030년에는 세계 6위의 전력 소비국이 될 것입니다. 이는 오늘날 일본 전체가 사용하는 전력보다 더 많습니다. 모델을 어떻게 더 효율적이고 로컬(Local)에서 운영할 수 있는지에 대해서는 로컬 AI 보고서에서 보여드립니다.

왜 뇌는 25와트(Watt)만으로 충분한가

인간의 뇌는 약 25와트(Watt)만을 필요로 합니다. 반면 슈퍼컴퓨터에서 50만 개의 뉴런을 시뮬레이션하는 데는 2.5메가와트(Megawatt)가 소모됩니다. 그 이유는 아키텍처(Architecture)에 있습니다. 뇌는 시냅스(Synapse)에서 직접 계산합니다. 그곳에서 저장과 계산이 동시에 이루어집니다. 실리콘(Silicon) 기술은 이러한 컴퓨팅 인 메모리 (Computing-in-Memory) 접근 방식을 알지 못합니다.

여기에 병렬성(Parallelism)이 더해집니다. 약 860억 개의 뉴런은 각각 1,000개에서 10,000개의 시냅스를 가지고 있습니다. 이를 통해 약 100조 개의 연결이 생성됩니다. 세상의 어떤 컴퓨터도 이 정도의 밀도에 도달하지 못합니다. 동시에 뇌는 10에서 30밀리초(ms) 범위 내에서 느리게 작동합니다.

세 번째 비결은 이벤트 기반 컴퓨팅 (Event-based Computing)입니다. 에너지는 실제로 계산이 이루어질 때만 흐릅니다. 매 순간 약 1%의 시냅스만이 활성화됩니다. 그 이상이 되면 시스템이 과열될 것입니다. Waser 교수는 경고합니다. 200와트가 되면 뇌가 끓어오를 것이라고 말입니다.

멤리스터(Memristor): 메모리 내에서 직접 계산하기

여기에서 **멤리스터 (Memristor)**가 등장합니다. 메모리 기능을 가진 저항기(Resistor)는 자신의 저항값을 유지합니다. 이것이 바로 인공 시냅스에 필요한 기능입니다. 시냅스의 결합 강도는 가중치(Weight)에 해당합니다. 멤리스터는 이 가중치를 계산이 일어나는 위치에 직접 저장합니다. 이로써 병목 현상(Bottleneck)이 사라집니다.

Waser 교수는 산화환원(Redox) 기반의 금속 산화물을 연구합니다. 몇 입방 나노미터(cubic nanometers)의 아주 작은 부피 안에서 이온이 이동합니다. 산소 공석(Oxygen vacancies)이 이동하며 전도성(Conductivity)을 변화시킵니다. 이를 통해 소자 전체의 저항이 변합니다. 변화 폭은 최대 두 자릿수(orders of magnitude)에 달합니다. 또한 스위칭(Switching) 속도가 매우 빠릅니다.

멤리스티브 소자로 가는 세 가지 경로

산화물 외에도 두 가지 접근 방식이 더 있습니다. 상변화 물질(Phase-change materials)은 칼코게나이드(Chalcogenides)를 사용합니다. 짧은 전압 펄스가 물질을 녹입니다. 빠르게 냉각(Quenching)하면 비정질(Amorphous) 상태가 되고, 천천히 냉각하면 결정질(Crystalline) 상태가 됩니다. 두 상태는 서로 다른 저항값을 가집니다.

세 번째 방법은 자기저항(Magnetoresistive) 방식입니다. 여기서는 자화(Magnetization)가 저항을 제어합니다. 단점은 저항 변화 폭(Hub)이 20~30% 정도로 작다는 것입니다. 대신 이 셀들은 더 빈번하게 기록(Describe)될 수 있습니다. 저항 변화 폭 측면에서는 Waser의 산화물(Oxide) 방식이 확실히 우위에 있습니다.

Infineon과 TSMC의 양산

Waser의 연구는 더 이상 이론에 머물지 않습니다. 2025년 5월부터 Infineon과 TSMC는 그의 산화물 기반 멤리스터(Memristor) 셀을 양산하고 있습니다. 이 셀들은 차세대 마이크로컨트롤러(Microcontroller) 세대에 탑재될 예정입니다. 이러한 컨트롤러는 자동차 기술 등 많은 장치에 들어갑니다. 이 셀들은 더 작고 에너지 효율적이기 때문에 그곳에서 플래시(Flash) 메모리를 대체하고 있습니다.

아직 진정한 뉴로모픽 컴퓨팅(Neuromorphic Computing) 단계는 아닙니다. 이를 위해서는 완전히 새로운 컴퓨터 아키텍처(Computer Architecture)가 필요합니다. 독일 연방 정부로부터 3,600만 유로를 지원받는 Neurotech 프로젝트가 바로 이 작업을 수행하고 있습니다. 미래 클러스터인 Neurosys는 이를 수직적으로 활용합니다. 부품의 가변성(Variability)과 신뢰성(Reliability) 문제는 여전히 해결해야 할 과제로 남아 있습니다.

AGI, 초지능, 그리고 2075년에 대하여

Waser는 사실상 AGI(인공 일반 지능)가 달성되었다고 보고 있습니다. 거대 모델들은 세계 모델(World Model)을 보유하고 있습니다. 이들은 숙련된 전문가 수준으로 답변합니다. 의식(Consciousness)은 이와 별개입니다. 의식은 수많은 물 분자로부터 습기(Nässe)가 나타나듯, 순수한 복잡성으로부터 발생하는 창발적 현상(Emergent Phenomenon)으로 나타납니다.

그는 2075년까지 세 번의 물결이 올 것으로 예상합니다. AI 에이전트(AI-Agent)가 곧 스스로 여행을 예약하고 프로세스를 관리할 것입니다. 자율주행 자동차와 가전 로봇이 그 뒤를 잇습니다. 마지막에는 초지능(Superintelligence)이 인간과 정치에 조언을 하게 될 것입니다. 화성 식민지 건설이나 정신을 클라우드에 업로드(Upload)한다는 개념에 대해 Waser는 터무니없는 소리라고 일축합니다.

결론: 에너지 함정에서의 탈출구로서의 멤리스터

무어의 법칙(Moore's Law)이 끝나가고 있습니다. 2나노미터에 도달하면서 트랜지스터(Transistor)는 포화 상태에 이르고 있습니다. **멤리스터(Memristor)**는 새로운 길을 열어줍니다. 뇌와 마찬가지로 연산(Computing)과 저장(Storage)을 하나로 결합합니다. AI를 확장(Scale)하려는 이들은 곧 에너지 효율적인 하드웨어를 고려해야만 합니다. 우리는 AI 구현(KI-Implementierung) 과정에서 매일 바로 이 점을 목격하고 있습니다.

자주 묻는 질문

멤리스터란 무엇인가요? (쉬운 설명)

멤리스터(Memristor)는 기억력을 가진 전기 저항입니다. 전원이 공급되지 않는 상태에서도 저항값을 저장할 수 있습니다. 전기적 임펄스(Impuls)에 의해 자극을 받으며, 이를 통해 생물학적 시냅스(Synapse)를 모사할 수 있습니다. Rainer Waser 교수는 이러한 산화물 기반 소자(oxidbasierte Bauelemente)의 개척자로 간주됩니다. 이 소자들은 연산(Rechnen)과 저장(Speichern)을 동일한 장소에서 통합하기 때문에 AI 칩을 훨씬 더 에너지 효율적으로 만들 수 있습니다.

왜 AI는 그렇게 많은 에너지를 소비하나요?

주된 이유는 폰 노이만 병목 현상(von-Neumann-Flaschenhals)입니다. 프로세서(Processor)와 메모리(Speicher)가 분리되어 있기 때문입니다. 데이터가 버스(Bus)를 통해 끊임없이 왔다 갔다 하는 과정에서 선로 커패시턴스(Leitungskapazitäten)가 충전되고 방전됩니다. 칩 에너지의 약 99%가 열로 낭비됩니다. 실제 연산에 사용되는 부분은 극히 일부에 불과합니다. 뉴로모픽 칩(Neuromorphe Chips)은 바로 이 과정을 단축하고자 합니다.

뉴로모픽 컴퓨팅(Neuromorphes Computing)이란 무엇인가요?

뉴로모픽 컴퓨팅은 뇌를 모델로 삼아 컴퓨터를 구축하는 것입니다. 메모리와 연산 장치가 한 곳에서 융합됩니다. 멤리스터(Memristor)가 시냅스(Synapsen)의 역할을 수행합니다. 이를 통해 비용이 많이 드는 데이터 이동(Schaufeln von Daten)이 불필요해집니다. 목표는 에너지 효율을 획기적으로 높이는 것입니다. Neurotech와 같은 프로젝트들은 산업계가 이를 광범위하게 채택하기 전, 현재 실험실 단계에서 이러한 접근 방식을 보여주고 있습니다.

멤리스터는 이미 어디에 사용되고 있나요?

2025년 5월부터 Infineon과 TSMC는 산화물 기반 멤리스터 셀(Memristor-Zellen)을 양산하고 있습니다. 이들은 자동차 기술 등에 사용되는 마이크로컨트롤러(Mikrocontroller)에 탑재됩니다. 그곳에서 멤리스터는 더 작고 에너지 효율적이기 때문에 플래시 메모리(Flash-Speicher)를 대체합니다. 이는 아직 전통적인 메모리 응용 분야입니다. 진정한 뉴로모픽 연산에는 새로운 아키텍처(Architekturen)가 필요합니다. Rainer Waser 교수는 이를 다음 단계의 거대한 도약으로 보고 있습니다.