Neuromorphic hardware, inspired by the structure and principles of the human brain, can greatly reduce the energy consumption of the AI functions by removing the von Neumann bottlenecks with massive parallel-ism. In particular, a spiking neural network (SNN), which combines spike transmissions with spatiotemporal processing, has received considerable attention due to its superior energy efficiency. To realize the SNN in hardware, an artificial neuron that performs a leaky integrate-and-fire (LIF) function is required. Up to now, CMOS circuit-based artificial neurons have been used, but they have limitations on chip density due to the use of heavy hardware components such as operational amplifiers (op-amps). In this study, a novel single transistor neuron (1T-neuron) based on a single transistor latch (STL) phenomenon is proposed with a com-plete neuromorphic system, by co-integration with artificial synaptic devices. It has great benefits in terms of CMOS-compatibility compared to other device-based artificial neurons. Furthermore, novel artificial sensory neuron devices, such as artificial visual, tactile, olfactory, and gustatory sensory neurons, are demonstrated for in-sensor computing to reduce the cost of the hardware and energy needed in the sensory system.
인간의 뇌가 매우 적은 전력을 소비하는 것에 착안해, 인간의 뇌를 하드웨어적으로 모방함으로써 학습, 추론, 인식 등의 기능을 초전력으로 수행하는 인공지능 하드웨어, 즉 뉴로모픽 하드웨어가 큰 각광을 받고 있다. 뉴로모픽 하드웨어는 인간의 뇌가 신경세포인 뉴런과 연결부위인 시냅스로 구성된 것과 동일하게 인공 뉴런과 인공 시냅스로 구성되어 있다. 이 중에서 뉴런은 시냅스들에서 전달된 전류 신호를 통합하여 특정 임계 값을 초과할 때, 다음 시냅스로 스파이크 형태의 전압 신호를 전달하는 역할을 수행하며, 해당 동작을 leaky integrate-and-fire (LIF) 동작이라고 정의한다. 일반적으로 뉴런은 op-amp 등을 포함한 복잡한 회로로 구현되고 있기 때문에 집적도 측면에서 한계를 가진다. 궁극적으로 인간의 뇌가 1000억 개의 뉴런을 가지고 있다는 점에서, 뉴런의 집적도를 향상시키는 것이 하드웨어의 물리적 크기와 비용 측면에서 중요하다. 본 연구에서는 100 % 실리콘 CMOS 표준 공정 및 재료를 이용한 단일 트랜지스터 기반 뉴런 소자에 대한 연구를 수행하였다. 단일 트랜지스터에서 나타나는 래치 현상을 이용하면 뉴런의 LIF 동작을 구현할 수 있다. 수평형 트랜지스터에서 시작하여, 집적도를 더욱더 향상시키기 위해 수직형 트랜지스터 및 수직 집적 트랜지스터에서 뉴런 소자를 구현하였고, 그 특성을 분석하였다. 또한, 시냅스 소자, 인터페이스 회로와의 동시 집적을 통해 전체 뉴로모픽 시스템을 구현하였다. 더 나아가서, LIF 동작과 센싱 동작을 동시에 수행함으로써 센서 내에서 인공지능 연산을 수행할 수 있는 인공 감각 뉴런에 대한 연구를 수행하였다. 개발된 인공 시각/촉각/후각/미각 뉴런을 이용하면, 인-센서 컴퓨팅을 통해 인공지능 센서의 전력 효율 및 집적도를 크게 개선할 수 있다.
