본문 바로가기 대메뉴 바로가기
닫기

연구

뇌처럼 생각·반응하는 반도체 나왔다​
조회수 : 9226 등록일 : 2025-04-16 작성자 : 홍보실

(왼쪽부터) 반도체공학대학원 김은영 박사과정, 신소재공학과 김경민 교수, 신소재공학과 김도훈 박사과정, (상단사진 왼쪽부터) 신소재공학과 정운형 박사, 신소재공학과 김근영 박사

< (왼쪽부터) 반도체공학대학원 김은영 박사과정, 신소재공학과 김경민 교수, 신소재공학과 김도훈 박사과정, (상단사진 왼쪽부터) 신소재공학과 정운형 박사, 신소재공학과 김근영 박사 >

뉴랜지스터(Neuransistor)는 ‘뉴런(Neuron) + 트랜지스터(Transistor)’의 합성어로 뇌의 뉴런 특성을 구현하는 트랜지스터라는 의미로 만들어진 새로운 용어이다. 이는 뇌 속 신경세포(뉴런)의 흥분과 억제 반응을 모방하여 시간에 따라 달라지는 정보를 스스로 처리하고 학습할 수 있는 차세대 인공지능 하드웨어의 핵심 반도체 소자다. KAIST 연구진이 뉴랜지스터의 개념을 제시하고 최초로 뉴랜지스터를 개발하는데 성공했다.

우리 대학 신소재공학과 김경민 교수 연구팀이 시간에 따라 변화하는 정보를 효과적으로 처리할 수 있는 액체 상태 기계(Liquid State Machine, 이하 LSM)*의 하드웨어 구현을 가능케 하는 뉴랜지스터 소자 개발에 성공했다.

* 액체상태 기계(LSM): 생물학적 신경망의 동적 특성을 모사해, 시간에 따라 변화하는 입력 데이터를 처리하는 스파이킹 뉴럴 네트워크 모델 

현재의 컴퓨터는 동영상과 같이 시간 흐름에 따라 변하는 데이터인 시계열 데이터를 분석하는데 복잡한 알고리즘을 사용하며, 이는 매우 많은 시간과 전력 소모를 필요로 했다. 

그림 1. 뉴랜지스터는 흥분성(EPSP)과 억제성(IPSP) 신경 동역학을 동시에 구현할 수 있으며, 뇌와 유사한 LSM 구조에 적용될 수 있다. 뇌의 신경망은 이러한 흥분과 억제를 통해 E/I 균형을 유지하며 정보를 처리하고, LSM 또한 이러한 노드를 기반으로 아날로그 입력을 처리하고 출력을 생성한다. 뉴랜지스터 기반 하드웨어 LSM에서는 각각의 뉴랜지스터가 입력을 다양한 방식으로 인코딩하고, 이들의 가중 합을 통해 최종 출력이 생성된다.

< 그림 1. 뉴랜지스터는 흥분성(EPSP)과 억제성(IPSP) 신경 동역학을 동시에 구현할 수 있으며, 뇌와 유사한 LSM 구조에 적용될 수 있다. 뇌의 신경망은 이러한 흥분과 억제를 통해 E/I 균형을 유지하며 정보를 처리하고, LSM 또한 이러한 노드를 기반으로 아날로그 입력을 처리하고 출력을 생성한다. 뉴랜지스터 기반 하드웨어 LSM에서는 각각의 뉴랜지스터가 입력을 다양한 방식으로 인코딩하고, 이들의 가중 합을 통해 최종 출력이 생성된다. >

김경민 교수 연구팀은 이러한 난제를 해결하며 뇌 속 뉴런처럼 흥분하거나 억제되는 반응을 전기 신호만으로 동시에 구현하여 시계열 데이터의 정보 처리에 특화된 단일 반도체 소자를 새롭게 설계했다. 

해당 소자는 산화 티타늄(TiO2)과 산화 알루미늄(Al2O3)이라는 두 산화물층을 쌓아 만든 구조로, 두 층이 맞닿는 계면에서는 전자가 자유롭게 빠르게 이동하는 이차원 전자가스(2DEG)** 층이 형성된다. 그리고, 이 층의 양 끝에는 흥분성 및 억제성 신호에 모두 반응하는 뉴런형 소자가 연결되어 있다. 

**2DEG(Two-Dimensional Electron Gas): 계면에서 전도성이 우수한 전자 층이 형성되는 현상으로, 높은 이동도와 빠른 응답속도를 제공함

이러한 독특한 구조 덕분에 뉴랜지스터는 게이트 전압의 극성에 따라 소스와 드레인 간에 흥분성(EPSP) 또는 억제성(IPSP) 반응을 선택적으로 구현할 수 있다.

이 소자는 또한 기존 LSM 구현에서 필수적이었던 복잡한 입력 신호 전처리 과정(마스킹)도 간단히 해결했다. 기존에는 '마스킹' 기능 구현이 매우 복잡했으나, 뉴랜지스터는 소스 전극에 가해지는 전압을 조절함으로써 간단하게 마스킹 기능을 구현하고, 시계열 입력 신호를 다차원의 출력 정보로 정확하게 변환하였다. 또한, 높은 내구성과 소자 간의 균일성도 확보해 실용성도 역시 뛰어났다.

그림 2. 뉴랜지스터 소자의 특성을 활용한 혼돈 상태 예측 특성. 뉴랜지스터 소자는 게이트 전압 조건에 따라 양방향 전도 특성을 보이며, 특히 소스 전압을 통한 추가적인 신호 변조가 가능하여 풍부한 시공간 동역학을 구현할 수 있다. 이를 이용하여 로렌츠 어트랙터와 같은 복잡한 시계열 데이터 학습 및 예측이 가능하다.

< 그림 2. 뉴랜지스터 소자의 특성을 활용한 혼돈 상태 예측 특성. 뉴랜지스터 소자는 게이트 전압 조건에 따라 양방향 전도 특성을 보이며, 특히 소스 전압을 통한 추가적인 신호 변조가 가능하여 풍부한 시공간 동역학을 구현할 수 있다. 이를 이용하여 로렌츠 어트랙터와 같은 복잡한 시계열 데이터 학습 및 예측이 가능하다. >

연구팀은 뉴랜지스터를 기반으로 복잡한 시계열 데이터를 처리하는 ‘두뇌형 정보처리 시스템’인 LSM을 구현하였다. 실험 결과, 뉴랜지스터를 활용하는 경우 기존의 방식보다 10배 이상 낮은 오차율과 높은 예측 정확도를 기록했고, 학습 속도도 더 빨라졌다.

김경민 교수는 “이번 연구는 인간 뇌의 신호 처리 방식과 유사한 구조를 실제 반도체 소자로 구현했다는 데 큰 의의가 있다”며 “이 기술은 향후 뇌신경 모사형 AI, 예측 시스템, 혼돈 신호 제어 등 다양한 분야에서 중요한 역할을 할 것으로 기대된다”고 전했다.

이번 연구는 신소재공학과 정운형 박사, 김근영 박사가 공동 제1 저자로 참여했으며, 재료 분야 세계적 권위의 국제 학술지 ‘어드밴스드 머터리얼즈(Advanced Materials, IF: 27.4)’에 2025년 4월 8일 字 게재됐다. 

(논문명: A Neuransistor with Excitatory and Inhibitory Neuronal Behaviors for Liquid State Machine, DOI: 10.1002/adma.202419122)

한편, 이번 연구는 나노종합기술원, 한국연구재단의 지원을 받아 수행됐다. 

시계열뇌뉴런트랜지스터정보처리소자 김경민 공과대학 신소재공학과
목록
관련뉴스