세계 최초 상변화 멤리스터 기반 밀리초 신경역학 시스템 칩 개발

서론

베이징대학교와 중국과학원 상하이 미세시스템 및 정보기술 연구소의 연구진이 상변화 메모리스터 기반 신경역학 시스템 칩을 성공적으로 개발했습니다.

《사이언스》 저널에 게재된 **"상변화 메모리스터 기반 10밀리초 미만 신경역학 시스템"**이라는 제목의 이 연구는 소자 물리 특성과 신경역학 알고리즘을 결합한 제어형 인메모리 컴퓨팅 방식을 제안합니다.

해당 프로토타입 시스템은 단일 신경역학 시스템 반복 지연 시간을 2.12밀리초로 낮췄습니다. 공개된 실험에서 기존 전용 가속기 대비 속도와 에너지 효율을 크게 향상시키면서도 고충실도 피질 표면 재구성 및 3차원 다양체 메쉬 생성을 구현했습니다.

오랜 기간 지속된 실시간 계산 병목 현상

신경역학 시스템은 신경망의 표현력과 미분 방정식의 연속 진화 메커니즘을 융합합니다.

따라서 이러한 시스템은 물리 시스템의 시간에 따른 변화를 모델링해야 하는 작업에 적합하며, 여기에는 다음이 포함됩니다:

• 물리 세계 모델링
• 계산 영상
• 3차원 기하 재구성
• 뇌 상태 모델링
• 과학 시뮬레이션
• 폐루프 제어

그러나 이러한 시스템의 계산 요구 사항은 매우 까다롭습니다. 신경역학 모델을 풀기 위해서는 일반적으로 반복적인 수치 적분, 오차 추정 및 적응형 보폭 탐색이 필요합니다. 각 반복은 여러 번의 신경망 평가와 메모리와 처리 장치 간의 중간 데이터 빈번한 이동을 수반할 수 있습니다.

기존 폰 노이만 아키텍처에서는 저장과 계산이 물리적으로 분리되어 있습니다. 데이터는 전체 계산 과정에서 메모리, 캐시 및 산술 유닛 사이를 오가며 전송됩니다. 이러한 데이터 이동 자체가 시간과 에너지를 소비하며, 때로는 수학 연산 자체의 비용을 넘어서기도 합니다.

거의 반세기 동안 핵심 난제는 해결되지 않았습니다. 신경역학 시스템이 정확한 연속 모델링을 유지하면서도 실시간 애플리케이션에 적합한 저지연 작동을 어떻게 실현할 것인가?

제어형 인메모리 컴퓨팅 방식

연구팀은 상변화 메모리 소자의 두 가지 프로그래밍 가능 특성을 활용하여 위 난제를 해결했습니다:

1. 전도도 드리프트 — 시간에 따라 예측 가능한 패턴으로 변화
2. 다중 레벨 전도도 — 단일 소자가 여러 안정적인 가중치 레벨을 나타낼 수 있음

연구진은 이러한 물리적 효과를 단순히 보정해야 할 결함으로 간주하지 않고, 유용한 계산 작업에 직접 매핑했습니다.

이 중 전도도 드리프트는 in-situ 적응형 적분 보폭 탐색을 구현하는 데 사용되었습니다.

다중 레벨 전도도 상태는 저장 어레이 내부의 곱셈-누산 연산에 사용되었습니다.

이를 통해 신경역학 알고리즘의 중요한 부분이 소자 자체의 물리적 동작을 통해 실행되는 제어형 인메모리 컴퓨팅 시스템이 구축되었습니다.

[이미지 설명]

적응형 보폭이 중요한 이유

수치 솔버는 항상 동일한 시간 보폭을 사용하지 않습니다.

모델링된 시스템이 느리게 변화할 때는 큰 보폭으로도 충분히 정확할 수 있으며 계산량을 줄일 수 있습니다. 시스템이 빠르게 변화할 때는 오차를 제어하기 위해 작은 보폭이 필요합니다.

기존 하드웨어는 디지털 로직을 통해 이 보폭을 반복적으로 계산, 비교 및 조정합니다. 반면 새 시스템은 유효 적분 보폭을 상변화 소자의 전도도 상태로 인코딩하고, 탐색 과정에서 그 제어된 물리적 진화를 활용합니다.

결과는 단순히 메모리가 프로세서에 더 가까워진 것이 아니라, 저장 소자가 알고리즘 실행에 직접 참여한 것입니다.

신경망 계산을 위한 다중 레벨 전도도

내장형 신경망은 여전히 가중치를 저장하고 행렬 연산을 수행해야 합니다.

연구팀은 정밀하게 프로그래밍된 다중 레벨 전도도 상태를 사용하여 조밀한 상변화 저장 어레이에서 이러한 가중치를 표현했습니다. 행렬-벡터 곱셈은 별도의 디지털 승산기와 가산기에 값을 반복적으로 로드할 필요 없이 어레이 내에서 직접 수행될 수 있습니다.

동일한 물리 시스템에서 적응형 보폭 탐색과 신경망 추론을 결합하면 다음을 줄일 수 있습니다:

• 메모리 읽기/쓰기
• 디지털 곱셈
• 반복 덧셈
• 캐시 접근
• 중간 버퍼링
• 계산과 저장 간 데이터 이동

이러한 소자-알고리즘-아키텍처 공동 설계가 이 칩이 모델링 정확도를 유지하면서 지연 시간을 낮출 수 있는 주요 이유입니다.

칩 아키텍처 및 핵심 사양

해당 신경역학 시스템 칩은 40nm 공정으로 제조되었습니다.

인메모리 컴퓨팅 및 보폭 드리프트 어레이의 총 면적은 0.28mm²에 불과합니다. 설계에는 프로그래밍 펄스 생성기, 아날로그-디지털 변환기, 드라이버 및 기타 주변 로직 등의 지원 회로도 포함됩니다.

칩은 50MHz로 작동합니다. 단일 적분 보폭은 9단계 파이프라인을 사용하며, 측정된 반복 지연 시간은 2.12ms입니다.

[이미지 설명]

칩 사양 파라미터

사양	보고값
제조 공정	40nm CMOS
결합 ENN-CIM 및 보폭 드리프트 어레이 면적	0.28 mm²
상변화 메모리 어레이	147K 1T1R 셀
작동 주파수	50 MHz
통합 파이프라인	9단계
단일 반복 지연 시간	2.12 ms
SET/RESET 내구성	10¹⁰회
보고된 수율	99.9999% 이상

해당 논문은 이 시스템을 10밀리초 미만 신경역학 플랫폼으로 설명하며, 보고된 측정 단일 반복 결과는 2.12밀리초입니다.

기존 가속기와의 성능 비교

연구팀은 이 시스템을 첨단 전용 신경역학 시스템 하드웨어 및 NVIDIA A100 GPU와 고충실도 모델링 작업에서 비교했습니다.

동일한 유형의 신경역학 계산에 대해 이 칩은 다음을 구현했다고 합니다:

• 최첨단 전용 ASIC 가속기보다 3.82배 ~ 36.27배 빠른 속도
• 이러한 ASIC 시스템보다 11.75배 ~ 24.73배 낮은 전력 소비
• 피질 표면 재구성 작업에서 NVIDIA A100 GPU보다 50.38배 ~ 478.18배 빠른 속도

비교 항목	보고된 결과
속도 vs. 전용 신경역학 시스템 ASIC	3.82배 ~ 36.27배 빠름
전력 소비 vs. 전용 신경역학 시스템 ASIC	11.75배 ~ 24.73배 낮음
속도 vs. NVIDIA A100 (피질 모델링)	50.38배 ~ 478.18배 빠름

이 데이터는 특정 작업 및 시스템에 대한 것입니다. 이 프로토타입이 일반 AI 워크로드에서 A100보다 보편적으로 빠르다는 주장으로 해석되어서는 안 됩니다.

해당 가속기는 특정 신경역학 계산 패턴을 위해 설계되었습니다. 그 장점은 계산 작업을 상변화 소자의 특성에 긴밀하게 매핑하고 범용 디지털 하드웨어에 필요한 대규모 데이터 이동을 제거한 데서 비롯됩니다.

실시간 피질 표면 재구성

연구팀은 이 칩을 사용하여 백질 및 회백질 피질 표면을 재구성하고 3차원 다양체 메쉬를 생성했습니다.

시스템은 닫힌 제로 속(genus) 템플릿에서 시작하여 신경역학 과정을 통해 목표 뇌 구조로 진화합니다. 적분 경로는 표면의 위상 불변성을 유지하면서 매끄럽게 유지되어야 합니다.

(여기에 이미지, 위 설명 참조)

보고된 결과에 따르면 생성된 피질 표면은 다음 특성을 가집니다:

• 매끄러움
• 폐쇄성
• 위상 일관성
• 복잡한 피질 주름 표현 가능
• 자기 교차점의 영향이 적음
• 비다양체 인공물의 영향이 적음

재구성 결과는 다음 기하 평가 지표에서 우수한 성능을 보였습니다:

• 평균 대칭 표면 거리
• 하우스도르프 거리

이 지표는 재구성된 표면이 참조 구조와 얼마나 잘 일치하는지 측정하며, 평균 편차와 더 극단적인 경계 오차를 포함합니다.

위상 일관성이 중요한 이유

뇌 표면 모델은 단순히 외관상 뇌처럼 보인다고 해서 실용적인 가치가 있는 것은 아닙니다.

유효한 기하 구조도 필요합니다.

자기 교차, 구멍 및 비다양체 영역은 하위 분석을 신뢰할 수 없게 만들어 해부학적 측정, 내비게이션, 시뮬레이션 및 시간 또는 환자 간 비교 분석에 영향을 미칠 수 있습니다.

신경역학 방법은 유효한 템플릿을 목표 형태로 지속적으로 변형시켜 진화 과정을 잘 제어함으로써 원래 표면의 위상 구조를 유지하면서 복잡한 해부학적 구조에 적응할 수 있습니다.

뇌-컴퓨터 인터페이스에 대한 잠재적 영향

미래의 뇌-컴퓨터 인터페이스는 신호 인식 및 명령 트리거를 훨씬 넘어서는 기능을 구현해야 합니다.

고급 시스템은 다음 능력을 가져야 할 수 있습니다:

1. 신경 활동 읽기
2. 현재 뇌 상태 평가
3. 상태 진화 추세 예측
4. 적절한 응답 방식 선택
5. 폐루프 피드백 조절 구현
6. 새로운 측정 데이터에 따라 모델 업데이트

이 과정은 지연 시간에 매우 민감합니다. 장시간 오프라인 처리가 필요한 뇌 상태 모델은 진정한 상호작용 응답을 구현할 수 없습니다.

밀리초급 신경역학 계산은 더 개인화되고 지속적으로 업데이트되는 신경 상태 표현을 지원하여 뇌-컴퓨터 인터페이스가 기본 신호 분류에서 실시간 모델링 및 적응형 상호작용으로 나아갈 수 있는 가능성을 열어줍니다.

현재 성과는 연구 프로토타입이며, 직접 이식 가능한 BCI 프로세서가 아닙니다. 향후 시스템 통합, 견고성, 의학적 검증, 패키징 공정, 데이터 수집 및 규제 승인 단계에서 추가 개발이 필요합니다.

잠재적 의학 응용 방향

이 연구는 동시에 의학 영상 및 계산 신경과학 분야에서의 응용 가능성을 보여줍니다.

미래의 가능한 발전 방향은 다음과 같습니다:

• 뇌 디지털 트윈
• 수술 중 신경 내비게이션
• 실시간 피질 재구성
• 뇌 구조 종단 모니터링
• 신경퇴행성 질환 연구 지원
• 환자 특이적 모델링
• 폐루프 신경 조절 시스템

알츠하이머병, 파킨슨병과 같은 질환의 경우, 뇌 구조와 기능의 미세한 변화가 임상적으로 의미 있을 수 있습니다.

빠른 모델링 기술은 연구자나 임상의가 이러한 변화를 더욱 상호작용적으로 분석할 수 있게 해줍니다.

그러나 이 칩 자체는 질병 진단 기능을 갖추고 있지 않습니다. 모든 임상 응용에는 검증된 의료 모델, 대표 데이터 세트, 전향적 연구, 시스템 수준의 안전성 테스트 및 관련 규제 검토가 필요합니다.

물리 기반 계산 패러다임 전환

동시에 《사이언스》 저널에 게재된 논평 기사는 이 연구가 소자 물리 특성에 기반한 계산으로의 패러다임 전환을 대표한다고 지적합니다.

전통적인 디지털 설계는 일반적으로 아날로그 동작, 매개변수 변동 및 소자 드리프트를 억제하는 데 중점을 둡니다. 이 프로젝트는 다른 접근 방식을 취하여, 대상 알고리즘 구성요소를 특성화할 수 있는 물리적 소자 속성을 식별하고, 이러한 속성을 중심으로 계산 시스템을 구축합니다.

이러한 접근 방식은 포스트 무어 시대에 특히 가치가 있습니다. 단순히 트랜지스터를 미세화하는 것만으로는 비용, 에너지 소비 및 성능 이점을 지속적으로 개선하기 어렵기 때문입니다.

새로운 시스템은 더 작은 트랜지스터에만 의존하지 않고 점점 더 다음과 같은 요소를 통합하고 있습니다:

• 전용 아키텍처
• 인메모리 컴퓨팅
• 아날로그/혼합 신호 처리
• 차세대 불휘발성 메모리
• 알고리즘-하드웨어 공동 설계
• 이기종 집적

상변화 멤리스터 칩은 이러한 더 광범위한 연구 방향의 한 예시입니다.

연구팀 및 지원

이 프로젝트는 베이징대학교 양위차오 교수, 중국과학원 상하이 마이크로시스템 및 정보기술연구소 쑹즈탕 연구원 등의 팀이 공동으로 주도했습니다.

《사이언스》 저널 논문에서는 레이카이를 제1저자로 명시했습니다. 공식 보고서에는 타오야오위, 시에천천, 옌룽하오, 주이신 등 연구에 참여한 공동연구자도 포함되어 있습니다.

이 연구는 다음 프로젝트 및 기관의 지원을 받았습니다:

• 신지석 연구원 프로젝트
• 국가 중점 연구개발 계획
• 국가 자연과학기금
• 광둥성 메모리 내 컴퓨팅 칩 중점 연구실
• 선전시 중점 산업 연구 프로젝트
• 베이징대학교 2030 중대 연구 계획

해당 논문은 《사이언스》 저널 제393권 제6806호 105-112페이지에 게재되었으며, DOI는 10.1126/science.aee6277입니다.

연구에서 아직 입증되지 않은 측면

연구 성과는 중요하지만, 몇 가지 경계 제한 사항을 명확히 할 필요가 있습니다.

이것은 전용 가속기입니다

이 칩은 신경역학 시스템 작업에 최적화되어 있으며, GPU와 상호 대체 가능한 범용 프로세서로 간주해서는 안 됩니다.

프로토타입은 상용 제품과 다릅니다

논문은 제조 및 실험을 통해 검증된 시스템을 제시하지만, 대량 생산 규모, 장기 현장 신뢰성, 패키징 비용, 소프트웨어 툴체인 및 생산 배포는 여전히 독립적인 엔지니어링 과제입니다.

의료 응용은 아직 전망 단계입니다

뇌 재구성은 시연 의미가 있지만, 임상 진단이나 중재에는 훨씬 더 많은 의학적 증거가 뒷받침되어야 합니다.

아날로그 및 멤리스터 시스템은 교정이 필요합니다

상변화 소자는 변동, 드리프트, 비선형성 및 환경 민감성이 존재합니다. 이 연구의 의의는 이러한 특성 중 일부를 제어하고 활용하는 데 있으며, 모든 아날로그 하드웨어 문제가 해결되었음을 증명하는 것이 아닙니다.

자주 묻는 질문

신경역학 시스템이란 무엇인가요?

신경역학 시스템은 신경망과 연속 시간 미분 방정식을 결합하여, 정적 예측만 출력하는 것이 아니라 물리적 또는 생물학적 상태의 진화 과정을 모델링할 수 있습니다.

상변화 멤리스터란 무엇인가요?

상변화 멤리스터 소자는 제어 가능한 재료 상태 변화를 통해 정보를 저장하여 다양한 전도도 수준을 생성합니다. 그 전도도는 프로그래밍 가능하고 유지되며 인메모리 컴퓨팅에 직접 사용될 수 있습니다.

제어 가능한 인메모리 컴퓨팅이란 무엇을 의미하나요?

이는 메모리 소자가 데이터를 보존하면서 동시에 유효한 계산을 수행한다는 것을 의미합니다. 이 칩에서 제어 가능한 전도도 드리프트는 적응형 스텝 크기 탐색을 지원하고, 다중 레벨 전도도는 신경망 곱셈-덧셈 연산을 지원합니다.

새로운 신경역학 칩은 얼마나 빠른가요?

보고된 프로토타입 시스템은 신경역학 반복 한 번을 완료하는 데 2.12밀리초가 소요되며, 논문은 전체 플랫폼을 10밀리초 미만 시스템으로 설명합니다.

이 칩이 NVIDIA A100보다 더 빠른가요?

연구진이 테스트한 피질 표면 재구성 작업에서 이 시스템은 50.38배에서 478.18배 더 빠른 것으로 보고되었습니다. 이는 특정 워크로드 비교이며, 범용 인공지능 성능이 더 뛰어나다는 것을 의미하지는 않습니다.

이 칩은 어떤 공정으로 제조되었나요?

신경역학 칩은 40나노미터 CMOS 공정으로 제조되었습니다. 인메모리 컴퓨팅 및 스텝 드리프트 어레이의 총 면적은 0.28제곱밀리미터입니다.

이 칩은 현재 뇌-컴퓨터 인터페이스에 사용할 수 있나요?

아직 완성된 임상 제품으로 사용할 수 없습니다. 이 연구는 미래의 실시간 뇌 상태 모델링을 위한 가능한 하드웨어 기반을 제공하지만, 실제 뇌-컴퓨터 인터페이스 응용에는 추가적인 시스템 통합, 검증 및 규제 작업이 필요합니다.

연구 결과는 어디에 게재되었나요?

해당 논문은 《사이언스》 저널에 "상변화 멤리스터 기반 10밀리초 미만 신경역학 시스템"이라는 제목으로 게재되었습니다. DOI는 10.1126/science.aee6277입니다.

관련 도구

• FreeSurfer: 피질 표면 재구성 및 뇌 구조 분석에 널리 사용되는 오픈 소스 신경영상 소프트웨어 제품군입니다.
• NVIDIA A100 Tensor Core GPU: 보고서에서 피질 모델링 비교 성능 기준으로 사용된 데이터센터 GPU입니다.
• SciPy Integrate: 연속 동적 시스템을 해결하는 전통적인 디지털 방법을 보여주는 수치 적분 도구를 제공합니다.
• PyTorch: 임베디드 신경망 및 신경 미분 방정식 모델을 구축하는 데 일반적으로 사용되는 딥러닝 프레임워크입니다.
• MONAI: 의료 영상 및 뇌 분석 워크플로우를 위한 오픈 소스 딥러닝 프레임워크입니다.

관련 링크

• 《사이언스》 연구 논문: 10밀리초 미만 신경역학 시스템을 설명하는 동료 심사 논문입니다.
• 베이징대학교 공식 연구 발표: 베이징대학교의 소자, 아키텍처, 벤치마킹 및 뇌 재구성 시연에 대한 상세 설명입니다.
• 《사이언스》 논평 기사: 물리학을 활용한 인메모리 컴퓨팅: 물리 기반 인메모리 컴퓨팅에 대한 동반 논평 기사입니다.
• 《사이언스》 제393권 제6806호: 해당 연구 논문 및 관련 논평이 포함된 저널 호입니다.
• 베이징대학교 집적회로대학: 베이징대학교 집적회로 연구 프로그램에 대한 공식 정보입니다.
• 중국과학원 상하이 마이크로시스템 및 정보기술연구소: 공동 연구에 참여한 중국과학원 연구소 웹사이트입니다.
• 멤리스터 기술 리뷰: 《사이언스》 저널에 게재된, 저장, 컴퓨팅 및 신경형태 시스템을 포괄하는 멤리스터 소자 리뷰입니다.

요약

베이징대학교와 중국과학원의 연구진은 상변화 멤리스터를 활용한 신경역학 시스템 온 칩을 구축하여 제어 가능한 인메모리 컴퓨팅을 구현했습니다. 이 소자는 전도도 드리프트를 적응형 적분 스텝 크기 탐색에 매핑하고, 다중 레벨 전도도를 신경망 계산에 사용합니다.

이 40나노미터 공정 시제품은 반복당 2.12밀리초만 소요되어 속도와 전력 소비 면에서 기존 전용 가속기보다 현저한 이점을 보여줍니다. 피질 표면 재구성 작업에서 생성된 부드럽고 폐쇄적이며 위상적으로 일관된 뇌 모델의 지연 시간은 테스트된 GPU 방식보다 훨씬 낮았습니다.

이 칩은 현재 전용 연구 프로토타입이며, 의료 및 뇌-컴퓨터 인터페이스 분야에서의 응용은 여전히 전망적 탐구 단계에 있습니다. 그러나 이 연구는 차세대 메모리 물리 특성이 단순한 저장 메커니즘이 아닌 능동적인 계산 자원으로 사용될 수 있음을 증명합니다.

핵심 돌파구는 단순히 더 빠른 칩을 만드는 것이 아니라, 소자와 알고리즘의 공동 설계를 통해 상변화 메모리 동작을 신경역학 계산 자체의 구성 요소로 변환한 데 있습니다.