With advances of the big data era, memorizing and processing massive data efficiently are dealt with the key factors for the artificial intelligent (AI) technological revolution in recent. Hardware neuromorphic computing, which is inspired by the structures and principles of the human brain, has attracted great attention these days with its energy efficiency by removing the memory bottleneck between memory and processor induced in a conventional von Neumann architecture. Particularly, there has been considerably more active on research about artificial synapses based on electronic devices compared to artificial neurons, since numerous synapses should be connected to a single neuron for implementing an artificial neural network (ANN). For this reason, the silicon channel transistor, which has matured with the development of modern very large-scale integration (VLSI) technology, is one of the promising candidates for an artificial synapse to bring neuromorphic computing as the next-generation computing method.
In this study, wafer-scale large-area integrations of silicon-based synaptic transistors for computing-in-memory were proposed in terms of their fabrication, analysis, and applications as artificial synapses. Each of device modulates its GDS by using electrostatic charges induced from ions in the solid-state electrolyte or electrons in the double-layered charge-trap layer, respectively. Proposed synaptic transistors were verified for their applications on feasibility to various purposes of deep neural network (DNN), such as MNIST image recognition using supervised and semi-supervised learning, and abnormal car detection based on video datasets, of ANN processing by using semi-empirical simulation.
빅데이터 시대의 도래와 함께 방대한 양의 데이터를 효율적으로 저장하고 처리하는 것이 최근 인공지능 (AI) 혁명에 있어 핵심 요소로 다뤄지고 있다. 인간 두뇌의 구조와 작동 원리에서 영감을 받은 하드웨어 뉴로모픽 컴퓨팅은 기존의 폰 노이만 컴퓨팅에서 야기돼 왔던 메모리와 프로세서 사이의 메모리 병목현상을 제거함으로써 에너지 효율성을 가지고 있으며, 이에 따라 최근 많은 주목을 끌고 있다. 특히, 인공지능 연산을 수행하기 위한 인공신경망 (ANN)을 구성하기 위해서는 다수의 시냅스가 단일 뉴런에 연결되기 때문에 인공 시냅스에 대한 연구가 인공 뉴런에 비해 더 활발히 이루어져 오고 있다. 현대의 거대 규모 집적회로 (VLSI) 기술의 발전과 함께 기술적으로 성숙한 실리콘 채널 트랜지스터는 그 진보로 뉴로모픽 컴퓨팅에서도 다음 세대의 컴퓨팅 방법을 실현할 유망한 인공 시냅스의 후보 중 하나로 여겨지고 있다.
본 연구에서는 실리콘 채널 트랜지스터의 인공 시냅스로의 활용을 위해 아날로그 시냅스 가중치 (GDS)를 조절하며 웨이퍼 수준 대면적 집적이 가능한 이온성 및 전하 저장 기반의 실리콘 채널 시냅스 트랜지스터의 제작 및 분석, 그리고 컴퓨팅-인-메모리로의 활용 방안을 제안한다. 제안에 따라 CMOS (complementary metal-oxide semiconductor) 호환 공정을 활용하여 제작된 각 소자는 기상 증착 방식을 활용해 대면적 증착 가능한 고체 상태 전해질 내부의 이온, 혹은 이중 층의 실리콘 질화물 기반의 전하 저장층 내부에 주입된 전자에 의해 유도된 정전하를 통해 시냅스의 가중치를 변조시킨다. 이러한 실리콘 채널 시냅스 트랜지스터는 심층 신경망 (deep neural network)을 위한 지도 학습 (supervised learning) 및 준지도학습 (semi-supervised learning) 기반의 손 글씨 숫자 이미지 데이터 (MNIST) 학습 및 추론, 그리고 동영상 데이터에 기반한 비이상적 거동을 보이는 자동차 탐지 등 다양한 목적의 인공신경망 연산을 위해 그 사용 가능성을 반 실험적 시뮬레이션을 통해 검증하였다.
