AI의 '대격변적 망각'을 극복하는 새로운 메모리스터

이들은 극히 적은 전력을 소모하고 뇌 세포와 비슷하게 행동합니다. 소위 멤리스터입니다. Ilia Valov가 이끄는 Jülich의 연구원들은 이제 Nature Communications 에 이전 버전에 비해 상당한 이점을 제공하는 새로운 멤리스터 구성 요소를 소개했습니다. 이들은 더 견고하고, 더 넓은 전압 범위에서 작동하며, 아날로그와 디지털 모드 모두에서 작동할 수 있습니다. 이러한 속성은 인공 신경망이 이전에 학습한 정보를 갑자기 잊어버리는 "대격변적 망각" 문제를 해결하는 데 도움이 될 수 있습니다.

"대격변적 망각"의 문제는 딥 뉴럴 네트워크가 새로운 작업을 위해 훈련될 때 발생합니다. 이는 새로운 최적화가 단순히 이전 최적화를 덮어쓰기 때문입니다. 뇌는 시냅스 변화의 정도를 조정할 수 있기 때문에 이런 문제가 없습니다. 전문가들은 이제 소위 "형질가소성"에 대해서도 이야기하고 있습니다. 그들은 우리의 뇌가 오래된 내용을 잊지 않고 새로운 작업을 영구적으로 배울 수 있는 것은 이러한 다양한 가소성 정도를 통해서만 가능하다고 생각합니다. 새로운 멤리스터는 비슷한 것을 성취합니다.

"이 소자의 고유한 특성 덕분에 다양한 스위칭 모드를 사용하여 메모리스터의 변조를 제어함으로써 저장된 정보가 손실되지 않도록 할 수 있습니다." Forschungszentrum Jülich의 Peter Grünberg 연구소(PGI-7)의 Ilia Valov의 말입니다.

신경에서 영감을 받은 장치에 적합한 후보

현대 컴퓨터 칩은 빠르게 진화하고 있습니다. 이들의 개발은 메모리 와 저항기 에서 파생된 용어인 멤리스터로부터 더욱 촉진될 수 있습니다. 이러한 구성 요소는 본질적으로 메모리가 있는 저항기입니다. 이들의 전기 저항은 인가된 전압에 따라 변하고, 기존의 스위칭 소자와 달리 전압이 꺼진 후에도 저항 값이 유지됩니다. 이는 멤리스터가 구조적 변화를 겪을 수 있기 때문입니다. 예를 들어 전극에 원자가 증착되기 때문입니다.

일리아 발로프는 "기억 요소는 뇌를 모델로 한 학습이 가능하고 신경에서 영감을 받은 컴퓨터 구성 요소에 이상적인 후보로 여겨진다"고 말했습니다.

상당한 진전과 노력에도 불구하고, 부품의 상용화는 예상보다 느리게 진행되고 있습니다. 이는 특히 생산에서 종종 높은 실패율과 제품 수명이 짧기 때문입니다. 또한, 부품은 열 발생이나 기계적 영향에 민감하여 작동 중에 자주 오작동할 수 있습니다. 수년간 메모리스터 분야에서 일해 온 발로프는 "따라서 나노스케일 공정을 더 잘 제어하려면 기초 연구가 필수적입니다."라고 말합니다. "시스템의 복잡성을 줄이고 기능 범위를 늘리려면 새로운 소재와 스위칭 메커니즘이 필요합니다."

바로 이런 점에서 화학자이자 재료 과학자가 독일과 중국 동료들과 함께 중요한 성공을 보고할 수 있었습니다. "우리는 화학적으로나 전기적으로 더 안정적인 근본적으로 새로운 전기화학적 멤리스트 메커니즘을 발견했습니다."라고 Valov는 설명합니다. 이 개발은 이제 저널 Nature Communications 에 발표되었습니다.

메모리스터를 위한 새로운 메커니즘

"지금까지 소위 바이폴라 멤리스터의 작동을 위한 두 가지 주요 메커니즘이 확인되었습니다. ECM과 VCM입니다."라고 발로프는 설명합니다. ECM은 '전기화학 금속화'를 의미하고 VCM은 '가전자 변화 메커니즘'을 의미합니다.

• ECM 멤리스터는 두 전극 사이에 금속 필라멘트를 형성합니다. 전기 저항을 변경하고 전압이 반전되면 다시 용해되는 작은 "전도성 브리지"입니다. 여기서 중요한 매개변수는 전기화학 반응의 에너지 장벽(저항)입니다. 이 설계는 낮은 스위칭 전압과 빠른 스위칭 시간을 허용하지만 생성된 상태는 가변적이고 비교적 수명이 짧습니다.
• 반면 VCM 멤리스터는 금속 이온의 이동을 통해 저항을 변경하지 않고 전극과 전해질 사이의 계면에서 산소 이온의 이동을 통해 소위 쇼트키 장벽을 수정하여 저항을 변경합니다. 이 프로세스는 비교적 안정적이지만 높은 스위칭 전압이 필요합니다.

각 유형의 멤리스터는 고유한 장단점을 가지고 있습니다. "따라서 우리는 두 유형의 이점을 결합한 멤리스터를 설계하는 것을 고려했습니다."라고 일리아 발로프는 설명합니다. 전문가들 사이에서는 이전에는 불가능하다고 여겨졌습니다. "우리의 새로운 멤리스터는 완전히 다른 원리에 기반을 두고 있습니다. ECM과 같은 순수한 금속이 아닌 금속 산화물로 만든 필라멘트를 사용합니다."라고 발로프는 설명합니다. 이 필라멘트는 산소와 탄탈륨 이온의 이동으로 형성되며 매우 안정적입니다. 완전히 용해되지 않습니다. "항상 어느 정도 존재하고 화학적으로만 변형되는 필라멘트라고 생각할 수 있습니다."라고 발로프는 말합니다.

따라서 새로운 스위칭 메커니즘은 매우 견고합니다. 과학자들은 이를 필라멘트 전도도 수정 메커니즘(FCM) 이라고도 합니다 . 이 메커니즘을 기반으로 하는 구성 요소는 여러 가지 장점이 있습니다. 화학적, 전기적으로 더 안정적이고, 고온에 더 강하며, 전압 창이 더 넓고, 생산하는 데 더 낮은 전압이 필요합니다. 결과적으로 제조 공정 중에 더 적은 구성 요소가 타버리고, 불량률이 낮아지고 수명이 더 깁니다.

"대격변적 망각"에 대한 관점적 솔루션

게다가, 다양한 산화 상태 덕분에 메모리스터는 바이너리 및/또는 아날로그 모드에서 작동할 수 있습니다. 바이너리 신호는 디지털이며 두 가지 상태만 출력할 수 있는 반면, 아날로그 신호는 연속적이며 모든 중간 값을 취할 수 있습니다. 아날로그와 디지털 동작의 이러한 조합은 신경형 칩에 특히 흥미로운데, 이는 "대격변적 망각" 문제를 극복하는 데 도움이 될 수 있기 때문입니다. 즉, 딥 뉴럴 네트워크는 새로운 작업을 위해 훈련될 때 학습한 내용을 삭제합니다. 이는 새로운 최적화가 단순히 이전 최적화를 덮어쓰기 때문입니다.

뇌는 시냅스 변화의 정도를 조절할 수 있기 때문에 이런 문제가 없습니다. 전문가들은 이제 소위 "형질가소성"에 대해서도 이야기하고 있습니다. 그들은 우리의 뇌가 오래된 내용을 잊지 않고 새로운 작업을 영구적으로 배울 수 있는 것은 이러한 다양한 가소성 정도를 통해서만 가능하다고 생각합니다. 새로운 오믹 멤리스터도 비슷한 것을 달성합니다. "고유한 특성 덕분에 다양한 스위칭 모드를 사용하여 멤리스터의 변조를 제어하여 저장된 정보가 손실되지 않도록 할 수 있습니다."라고 발로프는 말합니다.

연구자들은 이미 시뮬레이션에서 인공 신경망 모델에 새로운 멤리스터 구성 요소를 구현했습니다. 여러 이미지 데이터 세트에서 이 시스템은 패턴 인식에서 높은 수준의 정확도를 달성했습니다. 앞으로 이 팀은 여기에 제시된 버전보다 더 잘 작동하고 더 안정적으로 작동할 수 있는 멤리스터용 다른 소재를 찾고 싶어합니다. "저희의 결과는 '메모리 내 계산' 애플리케이션을 위한 전자 장치 개발을 더욱 발전시킬 것입니다."라고 Valov는 확신합니다.

출처: https://www.sciencedaily.com/releases/2025/03/250320145042.htm