전상훈 교수팀, 

‘센서–연산–저장’ 통합한 초저전력 AI 반도체 핵심 기술 제시

<(상단 왼쪽부터 시계방향으로) 전상훈 교수, 김승엽 박사과정, 조홍래 박사후연구원, 박선재 석사과정, 정태승 박사과정, 이상호 박사과정>

 

< 그림 1. 수직 적층형 구조의 AI용 광학신호-스파이크 주파수 변환기 연구 요약 >

< 그림 2. 산화물 박막 트랜지스터 기반 2T-2C 근접 픽셀 아날로그 연산 셀 개발 연구 대표도 >

이 기술은 기존에는 이미지를 찍고(센서), 숫자로 바꾼 뒤(ADC), 메모리에 저장하고(DRAM), 다시 연산하는(CNN) 여러 단계를 거쳐야 했지만, 이번 기술은 센서 안에서 바로 연산이 이뤄져 불필요한 데이터 이동을 없앴다. 그 결과 전력 소모는 크게 줄이고, 반응 속도는 획기적으로 높인 실시간·초저전력 엣지 AI 구현이 가능해졌다.

연구팀은 이번 학회에서 이러한 접근을 바탕으로 AI 반도체의 입력부터 저장까지 전 계층을 아우르는 6가지 핵심 기술을 제시했다. 기존 반도체 공정을 그대로 쓰면서도 전기를 훨씬 덜 쓰는 뇌처럼 작동하는 뉴로모픽 반도체와 AI에 최적화된 차세대 메모리를 동시에 만든 것이다.

먼저 센서 쪽에서는, 이미지를 찍는 부품과 계산하는 부품을 따로 두지 않고 센서 단계에서 바로 판단이 이뤄지도록 설계했다. 덕분에 사진을 찍어 다른 칩으로 보내 계산하던 기존 방식보다 전력 소모는 줄고 반응 속도는 빨라졌다.

 < 그림 3. 뉴로모픽 소자를 활용한 차세대 생체모방형 촉각 시스템 모식도 >

 

< 그림 4. Ultra-thin-Mo 및 Sub-3.5 nm HZO 기반의 NC-NAND 개발 연구 대표도 >

또한 메모리 분야에서는, 같은 재료를 활용해 더 낮은 전압으로 동작하면서도 오래 쓰고, 전원이 꺼져도 데이터를 안정적으로 저장할 수 있는 차세대 낸드 플래시를 구현했다. 이를 통해 AI에 필요한 대용량·고신뢰성·저전력 메모리를 한꺼번에 만족하는 기반 기술을 제시했다.

< 그림 5. 차세대 3D FeNAND 메모리 개발 연구 대표도 >

< 그림 6. 차세대 FeNAND 메모리의 전하 거동 규명 및 정량적 분석 방법론 연구 대표도 >

연구를 이끈 전상훈 교수는 “이번 연구는 센서·연산·저장을 각각 따로 설계하던 기존 AI 반도체 구조에서 벗어나, 전 계층을 하나의 재료와 공정 체계로 통합할 수 있음을 실증했다는 점에서 큰 의의가 있다”며, “앞으로 초저전력 엣지 AI부터 대규모 AI 메모리까지 아우르는 차세대 AI 반도체 플랫폼으로 확장해 나갈 것”이라고 밝혔다.

한편, 이번 연구는 과학기술정보통신부, 한국연구재단 등 기초연구 사업과 극한스케일 극한물성 이종집적 한계극복 반도체기술 연구센터(CH³IPS)를 통해서 지원 받아 수행되었다. 삼성전자, 경북대, 한양대와 협업으로 수행되었다.

Professor Sanghun Jeon’s Team Presents Core Technologies 

for Ultra-Low-Power ‘Sensor–Compute–Memory’ Integrated AI Semiconductors 

<(Top left, clockwise) Professor Sanghun Jeon, Seungyeop Kim (Ph.D. candidate), Hongrae Cho (Postdoctoral Researcher), 

Sunjae Park (M.S. student), Taeseung Jung (Ph.D. candidate), Sangho Lee (Ph.D. candidate)>

 

< Figure 1. Summary of research on vertically stacked optical signal-to-spike frequency converter for AI >

< Figure 2. Representative diagram of the development of a 2T-2C near-pixel analog computing cell based on oxide thin-film transistors >

Previously, this technology required several stages: capturing an image (sensor), converting it to digital (ADC), storing it in memory (DRAM), and then calculating (CNN). However, this new technology eliminates unnecessary data movement as the calculation happens immediately within the sensor. As a result, it has become possible to implement real-time, ultra-low-power Edge AI with significantly reduced power consumption and dramatically improved response speeds.

Based on this approach, the research team presented six core technologies at the conference covering all layers of AI semiconductors, from input to storage. They simultaneously created neuromorphic semiconductors that operate like the brain using much less electricity while utilizing existing semiconductor processes, along with next-generation memory optimized for AI.

First, on the sensor side, they designed the system so that judgment occurs at the sensor stage rather than having separate components for capturing images and calculating. Consequently, power consumption decreased and response speeds increased compared to the conventional method of taking a photo and sending it to another chip for calculation.

< Figure 3. Schematic diagram of a next-generation biomimetic tactile system using neuromorphic devices >