Brain circuit

Oregon State University의 연구진이 단일 광트랜지스터(phototransistor) 내에 감지(sensing), 메모리(memory), 신호 처리(signal processing)를 결합한 빛에 민감한 디지털 메모리 장치를 개발했으며, 이는 향후 AI 하드웨어의 에너지 비용을 잠재적으로 줄일 수 있습니다. Oregon State University 공과대학에서 개발되어 Advanced Functional Materials에 발표된 이 장치는 중요한 기억은 강화하는 반면 덜 유용한 정보는 시간이 지남에 따라 사라지게 하는 뇌의 핵심 능력을 모방하도록 설계되었습니다.

이 새로운 장치는 데이터를 별도의 하드웨어 블록 사이로 이동하게 만드는 대신 AI 프로세싱을 센서에 더 가깝게 가져다 놓음으로써, 작업의 일부가 빛이 닿는 바로 그 위치에서 수행되도록 합니다. 프로젝트 리더이자 전기공학 및 컴퓨터 과학 교수인 Larry Cheng는 "우리의 광전자(optoelectronic) 장치는 센서 수준에서 정보를 더 효율적으로 처리할 수 있게 하는 새로운 하드웨어 기능을 도입합니다"라고 말했습니다.

오늘날의 AI 하드웨어는 기계 지각(machine perception)에 관여하는 핵심 작업인 감지, 메모리, 프로세싱을 별도의 구성 요소로 분리하며, 이는 데이터가 이들 사이를 끊임없이 왕복해야 함을 의미합니다. 이러한 왕복 과정은 에너지를 소비하고 효율성을 저하시킵니다.

Oregon State의 장치는 일부 메모리 및 프로세싱 기능을 빛 센서 내부로 직접 이동시킴으로써 이 과제를 해결합니다. 이는 두 가지 서로 다른 재료로 만들어진 광트랜지스터(phototransistor)를 사용하여 수행됩니다. 산화물 반도체(oxide semiconductor)가 전류가 흐르는 통로인 트랜지스터 채널을 형성합니다. 그 위에는 빛을 흡수하고 전기 전하를 생성하는 광민감성 유기층(photosensitive organic layer)이 놓여 있습니다.

빛이 장치에 닿으면, 생성된 전하 중 일부가 광민감성층 내부에 갇히게 됩니다. 빛이 사라진 후에도 갇힌 전하는 반도체 채널을 통해 흐르는 전류에 계속 영향을 미칩니다. 결과적으로, 이 장치는 이전에 감지한 광학 신호에 대한 기억을 유지하게 됩니다.

영리한 점은 이 메모리가 정적이지 않다는 것입니다. 연구진은 작은 전기적 게이트 전압 (electrical gate voltage)을 인가함으로써, 트랜지스터 채널 (transistor channel)에 대해 트랩된 전하 (trapped charges)가 위치하는 곳을 변경할 수 있습니다. 전하가 채널에 더 가까워지면 그 영향력이 강해져 메모리가 더 오래 지속됩니다. 반대로 전하가 더 멀리 이동하면 영향력이 약해져 메모리가 더 빠르게 사라집니다.

이러한 동작은 생물학적 뇌가 메모리를 조절하는 방식과 유사합니다. 뇌에서는 화학적 신호가 메모리를 강화할지 아니면 사라지게 할지를 결정합니다. OSU의 장치에서는 전기적 신호가 유사한 역할을 수행하여, 하드웨어에 프로그래밍 가능한 메모리 수명 (programmable memory lifetime)을 부여합니다.

Tom's Hardware의 최고의 뉴스 및 심층 리뷰를 귀하의 편지함으로 직접 받아보세요.

이는 생물학적 신경망 (biological neural networks)을 모델로 한 컴퓨팅 시스템을 구축하려는 분야인 뉴로모픽 컴퓨팅 (neuromorphic computing)에 특히 유용할 수 있습니다. 또한, 데이터를 별도의 프로세서나 메모리 뱅크 (memory banks)로 옮기지 않고 캡처 지점에서 직접 처리하는 인센서 컴퓨팅 (in-sensor computing)을 향한 광범위한 움직임과도 부합합니다.

AI 비전 시스템의 경우, 이는 기존 프로세서에 도달하기 전에 시각 정보를 필터링, 가중치 부여 및 일시적으로 유지할 수 있는 하드웨어를 의미할 수 있습니다. 로봇, 드론, 보안 카메라 또는 자율 시스템은 모든 시각 신호를 영원히 보존할 필요가 없을 수도 있습니다. 어떤 정보는 잠시 동안만 중요하고, 어떤 정보는 더 오래 중요하며, 어떤 정보는 거의 즉시 사라져야 합니다.

Cheng는 “프로그래밍 가능한 메모리 수명을 가진 이 광감응형 메모리는 시각 및 기타 센서 신호가 감지되는 곳에서 직접 신호를 처리할 수 있는 조절 가능한 시간 창 (tunable time window)을 생성하며, 이러한 능력은 더 효율적인 비전 시스템과 기타 센서 기반 AI 기술을 가능하게 할 수 있습니다”라고 말했습니다.

이 연구는 아직 소자 (device) 수준에 머물러 있으므로, 현재의 AI 가속기 (AI accelerators)나 이미지 센서 (image sensors)를 즉시 대체할 수 있는 것은 아닙니다. 하지만 이는 미래의 AI 시스템이 센서, 메모리, 프로세서 사이에서 데이터를 끊임없이 이동시켜야 하는 의존도를 낮출 수 있는 하드웨어의 방향성을 제시합니다. 만약 성공적으로 규모를 확장 (scale)할 수 있다면, 특히 에너지 효율이 가장 중요한 엣지 시스템 (edge systems)에서 AI 장치들이 더 빠르고, 더 소형화되며, 전력 소모가 적어지는 데 기여할 수 있습니다.

Google Preferred Source

최신 뉴스, 분석 및 리뷰를 피드에서 받아보시려면 Google 뉴스에서 Tom's Hardware를 팔로우하거나, 저희를 즐겨찾는 소스로 추가하세요.

Etiido Uko는 빅테크 및 PC 산업의 최신 업데이트를 다루는 Tom's Hardware의 뉴스 기고자입니다. 그는 기계 공학자이자 9년 이상의 문서화 및 보도 경험을 가진 시니어 테크니컬 라이터 (senior technical writer)입니다. 그는 공학 및 기술의 모든 분야에 깊은 열정을 가지고 있으며, 가젯, 제조, 로보틱스, 자동차 및 항공우주 분야의 전문가입니다.