KR102365324B1 - 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자 - Google Patents

뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자 Download PDF

Info

Publication number
KR102365324B1
KR102365324B1 KR1020190102158A KR20190102158A KR102365324B1 KR 102365324 B1 KR102365324 B1 KR 102365324B1 KR 1020190102158 A KR1020190102158 A KR 1020190102158A KR 20190102158 A KR20190102158 A KR 20190102158A KR 102365324 B1 KR102365324 B1 KR 102365324B1
Authority
KR
South Korea
Prior art keywords
neuromorphic device
different
neuron
data storage
storage elements
Prior art date
Application number
KR1020190102158A
Other languages
English (en)
Other versions
KR20210022869A (ko
Inventor
송윤흡
이조원
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020190102158A priority Critical patent/KR102365324B1/ko
Priority to US17/622,893 priority patent/US20220245437A1/en
Priority to PCT/KR2020/008354 priority patent/WO2021033906A1/ko
Publication of KR20210022869A publication Critical patent/KR20210022869A/ko
Application granted granted Critical
Publication of KR102365324B1 publication Critical patent/KR102365324B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Semiconductor Memories (AREA)

Abstract

뉴런 하나당 다수의 시냅스를 갖는 3차원 뉴로모픽 소자가 개시된다. 일 실시예에 따르면, 3차원 뉴로모픽 소자는, 단일 축삭돌기(Axon)를 구현하는 공통 게이트(Common gate); 및 복수의 시냅스(Synapse)들을 각각 구현하는 복수의 데이터 저장요소들을 포함하고, 상기 복수의 데이터 저장요소들은, 서로 다른 물리적 구조를 갖는 것을 특징으로 한다.

Description

뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자{3D NEUROMORPHIC DEVICE WITH MULTIPLE SYNAPSES IN ONE NEURON}
아래의 설명은 사람의 신경계를 구성하는 뉴런(Neuron)을 모사(Mimicking)한 3차원 뉴로모픽 소자에 관한 것이다.
사람의 신경계를 구성하는 뉴런은 한 개의 축삭돌기(Axon)와 약 1,000개 내지 10,000개의 시냅스(Synapse)들로 구성되어 있다. 시냅스는 프리 뉴런(Pre-neuron)과 포스트 뉴런(Post-neuron) 사이의 접합부로서, 정보(데이터)를 제공하는 프리 뉴런의 축삭돌기와 정보를 전달받는 포스트 뉴런의 수상돌기(Dendrite)가 연결된 부위를 말한다. 즉, 프리 뉴런의 소마(Soma)에서 발화된 신호는 축삭돌기를 거쳐 수천개 이상의 축삭돌기 단말(Axon Terminal)에서 수천개 이상의 포스트 뉴런의 수상돌기와 만나 시냅스를 구성한다.
이러한 시냅스에서는 데이터의 병렬적 저장·가공이 이루어지는데, 수천 개 이상의 시냅스들은 각각이 서로 다른 가중치(Weight)를 가지고 포스트 뉴런들에 연결된다. 여기서 가중치란 프리 뉴런과 포스트 뉴런 사이의 연결 강도를 말한다. 이는 프리 뉴런을 통해 들어온 입력 신호가 신호의 특성에 따라 여러 개의 가중치를 가지고 시냅스들에 분산되어 저장됨(즉 다치의 시냅스 가중치)을 의미한다.
이와 같은 특성을 갖는 뉴런은 나노 레벨에서 반도체로 제작되는 뉴로모픽 소자로 모사될 수 있으며, 뉴런으로 구성되는 사람의 신경계는 뉴로모픽 소자로 구성되는 인공 신경망(Artificial neural network)으로 모사될 수 있다.
현재의 대부분의 뉴로모픽 소자가 채택하는 정보처리는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) 등 기존의 인공 신경망에 응용되는 알고리즘에 기반 한다. 인공 신경망은 다수의 뉴런들이 연결된 망의 형태로 구성된 사람 또는 동물 뇌의 신경망에 착안하여 구현된 알고리즘으로, 입력층 뉴런과 출력층 뉴런사이에 출력 값의 정확도를 기하기 위해 수십에서 수백개의 은닉층(Hidden Layer) 뉴런이 있는 구조이다. 인공 신경망은 뉴런 여러 개가 가중된 링크(Weighted Link)로 연결된 형태로서, 가중된 링크를 시냅스로 사용하며 주어진 환경에 적응할 수 있도록 가중치를 조정하는 기능을 구현할 수 있다.
인공 신경망은 피드백이 기본 작동 메커니즘인 뇌와 달리 인식 패스라는 전방향(Feedforward) 방식을 택하고 있다. 만약 인식 결과가 정답과 다르면, 이를 보정하기 위해 에러를 역순으로 전파하는 에러 역전파(Error Backpropagation)라는 알고리즘을 적용하는데, 이를 통해 에러가 수정되어 기대 값을 얻을 때까지 반복적인 계산을 하게 된다. 이에 따라 소비전력이 클 수밖에 없다. 또한 대부분의 뉴로모픽 소자의 학습에 적용되는 DNN, CNN 등의 알고리즘은, 특정한 뉴런에 특정한 정보를 임의로 할당하고, 할당된 정보를 해당 뉴런에 학습시키는 방식인 지도학습(Supervised Learning) 이다. 그러나 뇌는 비지도 학습(Unsupervised Learning)을 택한다.
일반적으로 메모리 소자를 시냅스로 모사하여 생물학적 뉴런과 유사하게 데이터의 병렬적 저장·및 가공이 가능하게 하기 위해서는, 첫째로 메모리 소자가 비휘발성 특성을 보여야하며, 둘째로 다치의 메모리 상태(State)를 가질 수 있어야 한다. 더욱이, 셋째로 데이터의 가공을 위해서는 다치의 상태들이 선형성(Linearity)을 갖는 것이 바람직하다.
이에, 종래의 뉴로모픽 소자는 FET(Field Effect Transistor) 기반의 CMOS 등을 뉴런으로 사용하고 시냅스로는 3단자(Three Terminal)의 플래시 메모리(Flash Memory), PCM(Phase Change Memory), FRAM(Ferroelectric Random Access Memory), RRAM(Resistive Random Access Memory) 및 CBRAM(Conductive-bridge Random Access Memory) 등 나노레벨의 비휘발성 메모리들과 2단자(Two Terminal)인 금속-절연체-금속(절연체로 상변화 물질과 저항변화 물질 등 사용) 형태의 비휘발성 크로스-바 (Cross-bar) 메모리를 사용하여, 생물학적 뉴런의 데이터의 병렬적 정보 저장 및·가공 방식을 구현하였다.
이와 같이 현재까지 개발된 종래의 뉴로모픽 소자의 가장 큰 문제점은 구조적으로 2단자이던 3단자이던 간에, 실제 뇌처럼 하나의 뉴런이 수천개의 시냅스들을 갖지 못한다는데 있다. 즉, 종래의 뉴로모픽 소자는 생물학적 뉴런과 달리 뉴런 한 개당 한 개의 시냅스만 형성시키는 셀 구조이기 때문에 생물학적 뉴런처럼 작동시킬 수 없는 구조이다. 물론, RRAM, PCM, CBRAM, FRAM, 플래시 메모리 등이, 각각의 셀에 각기 다른 펄스를 가해 선형성을 가진 다수의 전도도(Conductance) 상태(State) 혹은 저항(Resistance) 상태를 만들어, 다수의 전도도 상태 혹은 저항 상태로서 다치의 가중치를 구현할 수 있다.
그러나 각각의 셀에 각기 다른 펄스를 가해 다치의 가중치를 구현하는 기술의 경우, 각각의 셀을 정확하게 제어하기가 매우 어려운 단점을 가지며, 근본적으로 해당 기술의 아키텍처는 생물학적인 뉴런처럼 뉴런 하나에 하나의 축삭돌기를 거쳐 다치의 시냅스 가중치를 얻을 수 있는 셀 구조가 아니라는 한계를 갖는다. 즉, 각각의 셀은 하나의 시냅스만을 가지며, 하나의 시냅스를 이용하여 가중치를 부여하기 때문에, 데이터들을 병렬적으로 저장 및 가공할 수 없는 문제점을 갖는다.
또한, 종래의 뉴로모픽 소자는, 2단자 구조의 경우 하나의 Voltage로 Channel을 제어하는 구조로서, 3단자 구조와는 달리 신호 전달과 학습의 두 기능이 동시에 일어나지 않고 순차적으로 이루어지는 한계를 갖는다. 더욱이. 2단자 구조는 비선형성 특성으로 인해 DNN등의 알고리즘에 H/W로 적용될 경우, 인식률을 높이는데 과다한 전력이 소모되는 단점 그리고, 실시간으로 인지기능(인식·추론) 처리가 불가능한 긴 대기시간(Latency Time)을 갖는 단점을 갖는다. 더군다나, 2단자 구조를 기반으로 현재 구현되는 인공지능 시스템들은 인식·추론까지도 수행하는 IQ 30의 생쥐보다도 인지기능이 떨어지는 문제점을 갖는다.
종래의 뉴로모픽 소자는, 3단자 구조의 경우 평면(Planar) 구조를 채택하고 있어 단위 셀의 최소 면적이 6F2 이상 요구되어, 단위 소자의 스케일링(Scaling) 한계 때문에 고집적화가 힘든 단점을 갖는다.
한편, 종래의 뉴로모픽 소자를 기반으로 하는 인공지능 시스템은 사람의 뇌와 같이 새로운 정보를 이미 기억된 정보와 비교하여 기억 강화 또는 망각이 불가능한 단점을 갖는다. 이를 타개하기 위한 시도로서, 자율학습 알고리즘인 RNN(Recurrent Neural Network)을 FPGA(Field Programmable Gate Array)로 적용하려는 연구와, 뇌의 작동 메커니즘인 STDP(Spike Time Dependent Plasticity)에 의한 SNN (Spiking Neural Network)이 제안되었으나, 현재까지 어떤 연구도 인간처럼 피드백 기능을 시연한 실험 결과는 없다.
이에, 종래의 뉴로모픽 소자가 갖는 한계, 단점 및 문제점을 해결하기 위한 기술이 제안될 필요가 있다.
일 실시예들은 전술된 종래의 뉴로모픽 소자의 한계, 단점 및 문제점을 극복하고자, 생물학적인 뉴런처럼 단일 축삭돌기와 복수의 시냅스들을 모사함으로써, 복수의 가중치들이 각각 부여된 데이터들을 병렬적으로 저장 및 가공하는 3차원 뉴로모픽 소자를 제안한다.
특히, 일 실시예들은 공통 게이트로 단일 축삭돌기를 구현하고 복수의 데이터 저장요소들로 복수의 시냅스들을 구현하는 가운데, 복수의 데이터 저장요소들을 서로 다른 물리적 구조로 형성함으로써, 복수의 데이터 저장요소들이 서로 다른 가중치를 갖도록 하는 3차원 뉴로모픽 소자를 제안한다.
또한, 일 실시예들은 3차원 뉴로모픽 소자를 각각 프리 뉴런 및 포스트 뉴런으로 사용하는 가운데, 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 생물학적인 포스트 뉴런처럼 피드백 기능을 갖도록 하는 기술을 제안한다.
일 실시예에 따르면, 뉴런 하나당 다수의 시냅스를 갖는 3차원 뉴로모픽 소자는, 단일 축삭돌기(Axon)를 구현하는 공통 게이트(Common gate); 및 복수의 시냅스(Synapse)들을 각각 구현하는 복수의 데이터 저장요소들을 포함하고, 상기 복수의 데이터 저장요소들은, 서로 다른 물리적 구조를 갖는 것을 특징으로 한다.
일측에 따르면, 상기 복수의 데이터 저장요소들은, 상기 서로 다른 물리적 구조를 통해 서로 다른 가중치를 갖게 되는 것을 특징으로 할 수 있다.
다른 일측에 따르면, 상기 서로 다른 가중치를 갖는 복수의 데이터 저장요소들은, 상기 공통 게이트를 통해 신호가 유입됨에 응답하여, 복수의 가중치들이 각각 부여된 데이터들을 병렬적으로 저장 및 가공하는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 데이터 저장요소들은, 서로 다른 두께로 형성되거나 서로 다른 조성 물질로 형성되어, 상기 서로 다른 물리적 구조를 갖는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 데이터 저장요소들 각각은, 플래시 메모리에서 ONO(Oxide layer-Nitride layer-Oxide layer) 중 질화물층(Nitride layer)인 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 질화물층들은, 서로 다른 물리적 구조를 통해 서로 다른 커패시턴스 값을 갖게 됨에 따라, 서로 다른 전하 차지(Charge) 양을 갖는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 데이터 저장요소들 각각은, 모트 메모리에서 OMO(Oxide layer-Mott insulator layer-Oxide layer) 중 모트 절연층(Mott insulator layer)인 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 모트 절연층들은, 서로 다른 물리적 구조를 통해 서로 다른 상전이(Insulator-to-Metal Phase Transition: Mott Transition) 특성을 갖게 됨에 따라, 서로 다른 전도도 또는 저항 값을 갖는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 데이터 저장요소들 각각은, 상변화 메모리에서 PCM(Phase change material)층인 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 PCM층들은, 서로 다른 물리적 구조를 통해 서로 다른 상변화(Phase Change) 특성을 갖게 됨에 따라, 서로 다른 저항 값을 갖는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 데이터 저장요소들 각각은, 저항 변화 메모리에서 산화물(Oxide)층인 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 복수의 산화물층들은, 서로 다른 물리적 구조를 통해 서로 다른 저항 또는 전도도 변화 특성을 갖게 됨에 따라, 서로 다른 저항 값 또는 전도도 값을 갖는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 3차원 뉴로모픽 소자는, 프린 뉴런(pre-neuron) 및 상기 프리 뉴런과 상기 복수의 시냅스들 중 적어도 하나의 시냅스를 통해 연결되는 포스트 뉴런(post-neuron)으로 사용되는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는, 상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 데이터 저장요소들에 이미 저장된 데이터들과 동일한 데이터들을 저장해야 하는 경우, 상기 복수의 데이터 저장요소들을 통해 연결된 상기 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 오프 됨에 응답하여, 출력 기능만을 수행하는 것을 특징으로 할 수 있다.
또 다른 일측에 따르면, 상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는, 상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 데이터 저장요소들에 저장된 가중치가 부여된 데이터들을 삭제해야 하는 경우, 상기 복수의 데이터 저장요소들을 통해 연결된 상기 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 온 됨에 따른 백워드(Backward) 펄스에 응답하여, 상기 복수의 데이터 저장요소들에 저장된 가중치가 부여된 데이터들을 삭제하는 것을 특징으로 할 수 있다.
일 실시예에 따르면, 뉴런 하나당 다수의 시냅스를 갖는 3차원 뉴로모픽 소자는, 단일 축삭돌기(Axon)를 구현하는 공통 게이트(Common gate); 및 복수의 시냅스(Synapse)들을 각각 구현하는 복수의 데이터 저장요소들을 포함하고, 상기 복수의 데이터 저장요소들은, 복수의 가중치들을 병렬적으로 저장 및 가공하도록 서로 다른 가중치를 갖기 위한 서로 다른 물리적 구조-상기 서로 다른 물리적 구조는 서로 다른 두께로 형성되거나 서로 다른 조성 물질로 형성되는 것을 포함함-를 갖는 것을 특징으로 한다.
일 실시예들은 전술된 종래의 뉴로모픽 소자의 한계, 단점 및 문제점을 극복하고자, 생물학적인 뉴런처럼 단일 축삭돌기와 복수의 시냅스들을 모사함으로써, 복수의 가중치들이 각각 부여된 데이터들을 병렬적으로 저장 및 가공하는 3차원 뉴로모픽 소자를 제안할 수 있다.
특히, 일 실시예들은 공통 게이트로 단일 축삭돌기를 구현하고 복수의 데이터 저장요소들로 복수의 시냅스들을 구현하는 가운데, 복수의 데이터 저장요소들을 서로 다른 물리적 구조로 형성함으로써, 복수의 데이터 저장요소들이 서로 다른 가중치를 갖도록 하는 3차원 뉴로모픽 소자를 제안할 수 있다.
또한, 일 실시예들은 3차원 뉴로모픽 소자를 각각 프리 뉴런 및 포스트 뉴런으로 사용하는 가운데, 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 생물학적인 포스트 뉴런처럼 피드백 기능을 갖도록 하는 기술을 제안할 수 있다.
따라서, 일 실시예들은 인간처럼 불특정한 환경에 적응하여 스스로 판단까지 할 수 있는 인공지능 시스템을 구현하는데 활용되는 3차원 뉴로모픽 소자를 제안할 수 있다.
도 1은 일 실시예에 따른 3차원 뉴로모픽 소자를 설명하기 위한 개념도이다.
도 2는 일 실시예에 따른 3차원 뉴로모픽 소자가 플래시 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 3은 일 실시예에 따른 3차원 뉴로모픽 소자가 모트 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 4는 일 실시예에 따른 3차원 뉴로모픽 소자가 상변화 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 5는 일 실시예에 따른 3차원 뉴로모픽 소자가 저항 변화 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 6은 일 실시예에 따른 3차원 뉴로모픽 소자가 프리 뉴런 및 포스트 뉴런으로 사용되는 뉴랄 네트워크를 설명하기 위한 도면이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
또한, 본 명세서에서 사용되는 용어(Terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 시청자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 일 실시예에 따른 3차원 뉴로모픽 소자를 설명하기 위한 개념도이다.
도 1을 참조하면, 일 실시예에 따른 3차원 뉴로모픽 소자(100)는 생물학적인 뉴런의 단일 축삭돌기를 구현하는 공통 게이트(110) 및 생물학적인 뉴런의 복수의 시냅스들을 각각 구현하는 복수의 데이터 저장요소들(120)을 포함한다. 이하, 생물학적인 뉴런은 3차원 뉴로모픽 소자(100)가 모사하고자 하는 실제 사람의 신경계에 포함되는 뉴런을 의미한다.
공통 게이트(110)는 생물학적인 뉴런과 동일하게 단일 축삭돌기를 구현하므로, 3차원 뉴로모픽 소자(100)가 모사하는 뉴런의 축삭돌기의 기능 그대로를 담당할 수 있다. 일례로, 공통 게이트(110)는 복수의 데이터 저장요소들(120)에 의해 공유된 채, 뉴런으로 입력되는 신호의 크기에 따라 다수의 시냅스들에 각각의 가중치를 부여하는 생물학적인 뉴런과 같이, 공통 게이트(110)를 통해 입력되는 신호의 크기에 따라 복수의 데이터 저장요소들(120)에 각각의 가중치를 부여할 수 있다.
이 때, 공통 게이트(110)가 복수의 데이터 저장요소들(120)에 각각의 가중치를 부여하는 것은, 복수의 데이터 저장요소들(120)에 서로 다른 가중치를 부여하는 것일 수 있다. 이는, 바로 아래에서 설명되는 복수의 데이터 저장요소들(120)의 특성에 기반한다.
복수의 데이터 저장요소들(120)은 각기 서로 다른 가중치를 갖도록 서로 다른 물리적 구조를 갖는 것을 특징으로 한다. 즉, 복수의 데이터 저장요소들(120)은 서로 다른 물리적 구조를 통해 서로 다른 가중치를 갖게 될 수 있다.
따라서, 복수의 데이터 저장요소들(120)은 공통 게이트(110)를 통해 신호가 유입됨에 응답하여, 서로 다른 가중치를 갖는 특성을 기반으로, 복수의 가중치들이 각각 부여된 데이터들을 병렬적으로 저장 및 가공할 수 있다.
이 때, 복수의 데이터 저장요소들(120)은 서로 다른 물리적 구조를 통해 각각의 가중치가 서로 다른 특성을 갖는 것이기 때문에, 공통 게이트(110)를 통해 신호가 유입되는 경우 별다른 처리없이 서로 다른 물리적 구조를 이용해 각기 다른 가중치가 부여된 데이터들을 어레이 단위(복수의 데이터 저장요소들(120)에 대해 통합적으로)로 저장 및 가공할 수 있다.
여기서, 복수의 데이터 저장요소들(120)이 서로 다른 물리적 구조를 갖는다는 것은, 도면에 도시된 바와 같이 복수의 데이터 저장요소들(120)이 서로 다른 두께로 형성되는 것은 물론, 서로 다른 조성 물질로 형성되는 것을 의미할 수 있다. 이에 대한 상세한 설명은 도 2 내지 4를 참조하여 기재하기로 한다.
이상, 3차원 뉴로모픽 소자(100)가 공통 게이트(110) 및 복수의 데이터 저장요소들(120)을 포함하는 구조로 설명되었으나, 생물학적 뉴런을 모사한 것이므로 이에 제한되거나 한정되지 않고, 수상돌기를 구현하는 구성요소를 더 포함할 수 있다. 이러한 수상돌기를 구현하는 구성요소는 종래의 3차원 뉴로모픽 소자의 경우와 동일하므로 이에 대한 상세한 설명은 생략하기로 한다.
이와 같이 일 실시예에 따른 3차원 뉴로모픽 소자(100)는, 생물학적인 뉴런처럼 하나의 축삭돌기를 구현한 하나의 공통 게이트(110)를 포함하고, 서로 다른 가중치를 갖도록 복수의 시냅스들을 구현한 복수의 데이터 저장요소들(120)을 포함함으로써, 다치의 아날로그 값들을 병렬적으로 저장 및 가공할 수 있어, 종래의 뉴로모픽 소자의 한계, 단점 및 문제점을 극복할 수 있다.
또한, 3차원 뉴로모픽 소자(100)는 프리 뉴런 및 포스트 뉴런으로 사용됨으로써, 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 형태의 뉴랄 네트워크를 형성할 수 있다. 이에, 3차원 뉴로모픽 소자(100)를 기반으로 하는 뉴랄 네트워크는 데이터의 입출력과 학습을 동시에 수행할 수 있으며, 실시간 인식 및 추론이 가능한 인공지능 시스템에 활용될 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
도 2는 일 실시예에 따른 3차원 뉴로모픽 소자가 플래시 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 2를 참조하면, 플래시 메모리 기반의 3차원 뉴로모픽 소자(200)는, 도 1을 참조하여 전술된 것과 마찬가지로 공통 게이트(210) 및 복수의 데이터 저장요소들(220)을 포함한다. 이하, 복수의 데이터 저장요소들(220)은 플래시 메모리 기반의 특성 상 ONO(Oxide layer-Nitride layer-Oxide layer) 중 플로팅 게이트(Floating gate; FG) 역할을 하는 차지 트랩층(Charge trap layer)인 질화물층을 의미하는 바, 복수의 질화물층들(220)로 기재하기로 한다.
그러나 3차원 뉴로모픽 소자(200)는 공통 게이트(210) 및 복수의 데이터 저장요소들(220)을 포함하는 것만으로 그치지 않고, ONO가 형성되는 기판 구조물을 더 포함할 수 있다. 이러한 구조물은 종래의 플래시 메모리 기반의 3차원 뉴로모픽 소자와 동일하므로, 이에 대한 상세한 설명을 생략하기로 한다.
복수의 질화물층들(220)은 도 1을 참조하여 전술된 복수의 데이터 저장요소들(120)과 마찬가지로, 서로 다른 물리적 구조를 갖는다. 이에, 복수의 질화물층들(220)은 서로 다른 물리적 구조를 통해(일례로, 도면과 같이 서로 다른 두께를 갖게 됨에 따라) 서로 다른 커패시턴스 값을 갖게 되고, 이를 통해 서로 다른 전하 차지(Charge) 양을 갖게 될 수 있다. 이하, 복수의 질화물층들(220)이 서로 다른 두께로 형성되어 서로 다른 물리적 구조를 갖는 것으로 설명되나 이에 제한되거나 한정되지 않고, 서로 다른 조성 물질로 형성됨으로써 서로 다른 물리적 구조를 가질 수도 있다.
즉, 복수의 질화물층들(220)은 서로 다른 물리적 구조(서로 다른 두께로 형성되는 구조)를 기반으로, 공통 게이트(210)를 통해 입력되는 신호의 값에 따른 FN 터널링(Fowler-Nordheim tunneling)에 의해 각각의 전하 차지 양을 조절함으로써, 서로 다른 가중치가 부여된 데이터들을 병렬적으로 저장 및 가공할 수 있다(복수의 질화물층들(220) 각각이 서로 다른 가중치를 가진 시냅스가 됨).
플래시 메모리 기반의 3차원 뉴로모픽 소자(200) 역시 마찬가지로, 프리 뉴런 및 포스트 뉴런으로 사용됨으로써, 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 형태의 뉴랄 네트워크를 형성할 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
도 3은 일 실시예에 따른 3차원 뉴로모픽 소자가 모트 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 3을 참조하면, 모트 메모리 기반의 3차원 뉴로모픽 소자(300)는, 도 1을 참조하여 전술된 것과 마찬가지로 공통 게이트(310) 및 복수의 데이터 저장요소들(320)을 포함한다. 이하, 복수의 데이터 저장요소들(320)은 모트 메모리 기반의 특성 상 OMO(Oxide layer- Mott insulator layer-Oxide layer) 중 절연체 및 금속 사이에서 상전이(Insulator-to-Metal Phase Transition: Mott Transition)를 일으키는 모트 절연층(일례로, VO2, NbO2, Nb2O5, HfO2, SmNiO3 등)을 의미하는 바, 복수의 모트 절연층들(320)로 기재하기로 한다.
복수의 모트 절연층들(320)은 도 1을 참조하여 전술된 복수의 데이터 저장요소들(120)과 마찬가지로, 서로 다른 물리적 구조를 갖는다. 이에, 복수의 모트 절연층들(320)은 서로 다른 물리적 구조를 통해(일례로, 도면과 같이 서로 다른 두께를 갖게 됨에 따라) 서로 다른 상전이 특성(상전이 특성은 특정 입력 펄스 값에 응답하여 절연체에서 금속으로 상전이 되는 정도에 대한 특성임)을 갖게 되고, 이를 통해 서로 다른 전도도 또는 저항 값을 갖게 될 수 있다. 여기서, 복수의 모트 절연층들(320)이 서로 다른 상전이 특성을 갖게 되는 것은, 복수의 모트 절연층들(320)이 서로 다른 물리적 구조를 가져 서로 다른 커패시턴스 값을 갖게 됨에 따라 야기될 수 있다. 이하, 복수의 모트 절연층들(320)이 서로 다른 두께로 형성되어 서로 다른 물리적 구조를 갖는 것으로 설명되나 이에 제한되거나 한정되지 않고, 서로 다른 조성 물질로 형성됨으로써 서로 다른 물리적 구조를 가질 수도 있다.
즉, 복수의 모트 절연층들(320)은 서로 다른 물리적 구조(서로 다른 두께로 형성되는 구조)를 기반으로, 공통 게이트(310)를 통해 입력되는 신호의 값에 따라 각각의 전도도 또는 저항 값을 조절함으로써, 서로 다른 가중치가 부여된 데이터들을 병렬적으로 저장 및 가공할 수 있다(복수의 모트 절연층들(320) 각각이 서로 다른 가중치를 가진 시냅스가 됨). 예를 들어, 복수의 모트 절연층들(320)은 공통 게이트(310)를 거쳐 입력되는 신호의 값에 따른 셋(Set) 펄스에 의해 각각의 가중치를 부여할 수 있다.
모트 메모리 기반의 3차원 뉴로모픽 소자(300) 역시 마찬가지로, 프리 뉴런 및 포스트 뉴런으로 사용됨으로써, 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 형태의 뉴랄 네트워크를 형성할 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
도 4는 일 실시예에 따른 3차원 뉴로모픽 소자가 상변화 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 4를 참조하면, 상변화 메모리 기반의 3차원 뉴로모픽 소자(400)는, 도 1을 참조하여 전술된 것과 마찬가지로 공통 게이트(410) 및 복수의 데이터 저장요소들(420)을 포함한다. 이하, 복수의 데이터 저장요소들(420)은 상변화 메모리 기반의 특성 상 PCM(Phase change material)층을 의미하는 바, 복수의 PCM층들(420)로 기재하기로 한다.
복수의 PCM층들(420)은 도 1을 참조하여 전술된 복수의 데이터 저장요소들(120)과 마찬가지로, 서로 다른 물리적 구조를 갖는다. 이에, 복수의 PCM층들(420)은 서로 다른 물리적 구조를 통해(일례로, 도면과 같이 서로 다른 조성 물질로 형성됨에 따라) 서로 다른 상변화 특성(상변화 특성은 특정 입력 펄스 값에 응답하여 비정질 상태 및 결정질 상태 사이에서 상변화 되는 정도에 대한 특성임)을 갖게 되고, 이를 통해 서로 다른 저항 값을 갖게 될 수 있다.
이하, 복수의 PCM층들(420)이 서로 다른 조성 물질로 형성되어 서로 다른 물리적 구조를 갖는 것으로 설명되나 이에 제한되거나 한정되지 않고, 서로 다른 두께로 형성됨으로써 서로 다른 물리적 구조를 가질 수도 있다.
즉, 복수의 PCM층들(420)은 서로 다른 물리적 구조(서로 조성 물질로 형성되는 구조)를 기반으로, 공통 게이트(310)를 통해 입력되는 신호의 값에 따라 각각의 저항 값을 조절함으로써, 서로 다른 가중치가 부여된 데이터들을 병렬적으로 저장 및 가공할 수 있다(복수의 PCM층들(420) 각각이 서로 다른 가중치를 가진 시냅스가 됨).
상변화 메모리 기반의 3차원 뉴로모픽 소자(400) 역시 마찬가지로, 프리 뉴런 및 포스트 뉴런으로 사용됨으로써, 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 형태의 뉴랄 네트워크를 형성할 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
도 5는 일 실시예에 따른 3차원 뉴로모픽 소자가 저항 변화 메모리를 기반으로 구현되는 경우를 나타낸 도면이다.
도 5를 참조하면, 저항 변화 메모리 기반의 3차원 뉴로모픽 소자(500)는, 도 1을 참조하여 전술된 것과 마찬가지로 공통 게이트(510) 및 복수의 데이터 저장요소들(520)을 포함한다. 이하, 복수의 데이터 저장요소들(520)은 저항변화 메모리 기반의 특성 상 산화물(Oxide)층을 의미하는 바, 복수의 산화물층들(520)로 기재하기로 한다.
복수의 산화물층들(520)은 도 1을 참조하여 전술된 복수의 데이터 저장요소들(120)과 마찬가지로, 서로 다른 물리적 구조를 갖는다. 이에, 복수의 산화물층들(520)은 서로 다른 물리적 구조를 통해(일례로, 도면과 같이 서로 다른 조성 물질로 형성됨에 따라) 서로 다른 저항 변화 특성(저항변화 특성은 특정 입력 펄스 값에 응답하여 저항 혹은 전도도가 변하는 정도에 대한 특성임)을 갖게 되고, 이를 통해 서로 다른 저항 값 또는 서로 다른 전도도 값을 갖게 될 수 있다.
이하, 복수의 산화물층들(520)이 서로 다른 조성 물질로 형성되어 서로 다른 물리적 구조를 갖는 것으로 설명되나 이에 제한되거나 한정되지 않고, 서로 다른 두께로 형성됨으로써 서로 다른 물리적 구조를 가질 수도 있다.
즉, 복수의 산화물층들(520)은 서로 다른 물리적 구조(서로 조성 물질로 형성되는 구조)를 기반으로, 공통 게이트(510)를 통해 입력되는 신호의 값에 따라 각각의 저항 혹은 전도도 값을 조절함으로써, 서로 다른 가중치가 부여된 데이터들을 병렬적으로 저장 및 가공할 수 있다(복수의 산화물층들(520) 각각이 서로 다른 가중치를 가진 시냅스가 됨).
저항 변화 메모리 기반의 3차원 뉴로모픽 소자(500) 역시 마찬가지로, 프리 뉴런 및 포스트 뉴런으로 사용됨으로써, 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 형태의 뉴랄 네트워크를 형성할 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
도 6은 일 실시예에 따른 3차원 뉴로모픽 소자가 프리 뉴런 및 포스트 뉴런으로 사용되는 뉴랄 네트워크를 설명하기 위한 도면이다. 이하, 뉴랄 네트워크가 상변화 메모리 기반의 3차원 뉴로모픽 소자들로 구성되는 것으로 설명되나 이에 제한되거나 한정되지 않고, 플래시 메모리 기반의 3차원 뉴로모픽 소자들 또는 모트 메모리 기반의 3차원 뉴로모픽 소자들 또는 저항 변화 메모리 기반의 3차원 뉴로모픽 소자들로 구성되는 경우 역시 동일하게 설명될 수 있다.
도 6을 참조하면, 일 실시예에 따른 뉴랄 네트워크(600)는 도 1 내지 4를 참조하여 전술된 3차원 뉴로모픽 소자가 레이어들에서 프리 뉴런 및 포스트 뉴런으로 사용됨을 특징으로 한다.
예를 들어, 뉴랄 네트워크(600)가 입력층(610), 은닉층(620) 및 출력층(630)으로 구성되는 가운데, 입력층(610)에 포함되는 3차원 뉴로모픽 소자들 각각은 은닉층(620)에 포함되는 3차원 뉴로모픽 소자들 각각에 대한 프리 뉴런으로 사용되고, 은닉층(620)에 포함되는 3차원 뉴로모픽 소자들 각각은 입력층(610)에 포함되는 3차원 뉴로모픽 소자들 각각에 대한 포스트 뉴런으로 사용될 수 있다. 마찬가지로, 은닉층(620)에 포함되는 3차원 뉴로모픽 소자들 각각은 출력층(630)에 포함되는 3차원 뉴로모픽 소자들 각각에 대한 프리 뉴런으로 사용되고, 출력층(630)에 포함되는 3차원 뉴로모픽 소자들 각각은 은닉층(620)에 포함되는 3차원 뉴로모픽 소자들 각각에 대한 포스트 뉴런으로 사용될 수 있다.
이처럼 뉴랄 네트워크(600)는 프리 뉴런들 및 포스트 뉴런들이 레이어 형태로 수직하게 교차로 배열되는 구조로 형성됨으로써, 인간 신경계를 모사할 수 있다.
특히, 뉴랄 네트워크(600)는 각 레이어에서 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 생물학적인 포스트 뉴런처럼 피드백 기능을 갖도록 함으로써, 사람의 뇌와 같은 기억 강화 또는 망각의 메커니즘을 구현할 수 있다.
사람의 뇌와 달리, 신경계를 모사한 뉴랄 네트워크(600)는 비휘발성 메모리를 기반으로 하기 때문에, 기억 강화 메커니즘을 따로 적용할 필요가 없다. 이에, 뉴랄 네트워크(600)는 단순한 출력 기능만으로 기억 강화 메커니즘을 구현할 수 있다. 예를 들어, 뉴랄 네트워크(600)는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 시냅스들(PCM층들)에 이미 저장된 데이터들과 동일한 데이터들을 저장해야 하는 경우(기억 강화를 해야 하는 경우), 복수의 시냅스들(PCM층들)을 통해 연결된 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 오프 됨에 응답하여, 출력 기능만을 수행할 수 있다. 더 구체적인 예를 들면, 입력층(610)에 포함되는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 시냅스들(PCM층들)에 저장된 데이터들에 대한 기억 강화를 해야 하는 경우, 입력층(610)에 포함되는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는, 은닉층(620)에 포함되는 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 오프 됨에 따라 포워드(Forward) 펄스를 발생시켜, 가중치의 변화를 주지 않는 상태에서 시냅스들(PCM층들)을 구현한 PCM층들에 저장된 데이터들을 출력할 수 있다. 만약, 입력층(610)에 포함되는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 PCM층들에 추가적인 데이터를 저장해야 할 경우, 입력층(610)에 포함되는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는 추가적인 데이터에 대한 포워드 펄스를 발생시켜 추가적인 데이터를 포함하는 데이터들을 PCM층들에 저장할 수 있다.
망각의 메커니즘의 경우(프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 시냅스들(PCM층들)에 저장된 가중치가 부여된 데이터들을 삭제해야 하는 경우) 뉴랄 네트워크(600)는, 복수의 시냅스들(PCM층)을 통해 연결된 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 온 됨에 따른 백워드(Backward) 펄스에 응답하여, 복수의 시냅스들(PCM층들)에 저장된 가중치가 부여된 데이터들을 삭제할 수 있다(PCM층들 각각에서의 가중치 부여를 억제함). 더 구체적인 예를 들면, 입력층(610)에 포함되는 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 PCM층들에 저장된 데이터들을 삭제해야 하는 경우, 뉴랄 네트워크(600)는 입력층(610)의 PCM층들과 연결된 은닉층(620)에 포함되는 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 온 됨에 따라 백워드 펄스를 발생시켜, PCM들에 저장된 가중치가 부여된 데이터들을 삭제할 수 있다.
만약, 뉴랄 네트워크(600)가 플래시 메모리를 기반으로 하는 3차원 뉴로모픽 소자를 기반으로 한다면, 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 백워드 펄스로 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 PCM층들에 정공을 주입함으로써, ONO층들에 저장된 가중치가 부여된 데이터들을 삭제할 수 있다. 또한, 뉴랄 네트워크(600)가 모트 메모리를 기반으로 하는 3차원 뉴로모픽 소자를 기반으로 한다면, 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 백워드 펄스로 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 OMO층들에 리셋(Reset) 펄스를 가하여, OMO층들에 저장된 가중치가 부여된 데이터들을 삭제할 수 있다. 또한, 뉴럴 네트워크(600)가 저항 변화 메모리를 기반으로 하는 3차원 뉴로모픽 소자를 기반으로 한다면, 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 백워드 펄스로 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 산화물층에 리셋(Reset) 펄스를 가하여, 산화물층들에 저장된 가중치가 부여된 데이터들을 삭제할 수 있다.
이처럼, 뉴랄 네트워크(600)는 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자의 스위치 온 또는 스위치 오프를 피드백 기능으로 사용하여, 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자의 데이터 저장요소들에 대한 기억 강화 또는 망각의 메커니즘을 구현할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 뉴런 하나당 다수의 시냅스를 갖는 3차원 뉴로모픽 소자에 있어서,
    단일 축삭돌기(Axon)를 구현하는 공통 게이트(Common gate); 및
    복수의 시냅스(Synapse)들을 각각 구현하는 복수의 데이터 저장요소들
    을 포함하고,
    상기 복수의 데이터 저장요소들은,
    서로 다른 물리적 구조를 통해 서로 다른 가중치를 갖는 것을 특징으로 하고,
    상기 서로 다른 가중치를 갖는 복수의 데이터 저장요소들은,
    상기 공통 게이트를 통해 신호가 유입됨에 응답하여, 복수의 가중치들이 각각 부여된 데이터들을 병렬적으로 저장 및 가공하는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 복수의 데이터 저장요소들은,
    서로 다른 두께로 형성되거나 서로 다른 조성 물질로 형성되어, 상기 서로 다른 물리적 구조를 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  5. 제1항에 있어서,
    상기 복수의 데이터 저장요소들 각각은,
    플래시 메모리에서 ONO(Oxide layer-Nitride layer-Oxide layer) 중 질화물층(Nitride layer)인 것을 특징으로 하는 3차원 뉴로모픽 소자.
  6. 제5항에 있어서,
    상기 복수의 질화물층들은,
    서로 다른 물리적 구조를 통해 서로 다른 커패시턴스 값을 갖게 됨에 따라, 서로 다른 전하 차지(Charge) 양을 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  7. 제1항에 있어서,
    상기 복수의 데이터 저장요소들 각각은,
    모트 메모리에서 OMO(Oxide layer-Mott insulator layer-Oxide layer) 중 모트 절연층(Mott insulator layer)인 것을 특징으로 하는 3차원 뉴로모픽 소자.
  8. 제7항에 있어서,
    상기 복수의 모트 절연층들은,
    서로 다른 물리적 구조를 통해 서로 다른 상전이(Insulator-to-Metal Phase Transition: Mott Transition) 특성을 갖게 됨에 따라, 서로 다른 전도도 또는 저항 값을 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  9. 제1항에 있어서,
    상기 복수의 데이터 저장요소들 각각은,
    상변화 메모리에서 PCM(Phase change material)층인 것을 특징으로 하는 3차원 뉴로모픽 소자.
  10. 제9항에 있어서,
    상기 복수의 PCM층들은,
    서로 다른 물리적 구조를 통해 서로 다른 상변화(Phase Change) 특성을 갖게 됨에 따라, 서로 다른 저항 값을 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  11. 제1항에 있어서,
    상기 복수의 데이터 저장요소들 각각은,
    저항 변화 메모리에서 산화물(Oxide)층인 것을 특징으로 하는 3차원 뉴로모픽 소자.
  12. 제11항에 있어서,
    상기 복수의 산화물층들은,
    서로 다른 물리적 구조를 통해 서로 다른 저항 또는 전도도 변화 특성을 갖게 됨에 따라, 서로 다른 저항 값 또는 전도도 값을 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  13. 제1항에 있어서,
    상기 3차원 뉴로모픽 소자는,
    프리 뉴런(pre-neuron) 및 상기 프리 뉴런과 상기 복수의 시냅스들 중 적어도 하나의 시냅스를 통해 연결되는 포스트 뉴런(post-neuron)으로 사용되는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  14. 제13항에 있어서,
    상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는,
    상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 데이터 저장요소들에 이미 저장된 데이터들과 동일한 데이터들을 저장해야 하는 경우, 상기 복수의 데이터 저장요소들을 통해 연결된 상기 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 오프 됨에 응답하여, 출력 기능만을 수행하는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  15. 제13항에 있어서,
    상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자는,
    상기 프리 뉴런으로 사용되는 3차원 뉴로모픽 소자에 포함되는 복수의 데이터 저장요소들에 저장된 가중치가 부여된 데이터들을 삭제해야 하는 경우, 상기 복수의 데이터 저장요소들을 통해 연결된 상기 포스트 뉴런으로 사용되는 3차원 뉴로모픽 소자가 스위치 온 됨에 따른 백워드(Backward) 펄스에 응답하여, 상기 복수의 데이터 저장요소들에 저장된 가중치가 부여된 데이터들을 삭제하는 것을 특징으로 하는 3차원 뉴로모픽 소자.
  16. 뉴런 하나당 다수의 시냅스를 갖는 3차원 뉴로모픽 소자에 있어서,
    단일 축삭돌기(Axon)를 구현하는 공통 게이트(Common gate); 및
    복수의 시냅스(Synapse)들을 각각 구현하는 복수의 데이터 저장요소들
    을 포함하고,
    상기 복수의 데이터 저장요소들은,
    복수의 가중치들을 병렬적으로 저장 및 가공하도록 서로 다른 가중치를 갖기 위한 서로 다른 물리적 구조-상기 서로 다른 물리적 구조는 서로 다른 두께로 형성되거나 서로 다른 조성 물질로 형성되는 것을 포함함-를 갖는 것을 특징으로 하는 3차원 뉴로모픽 소자.
KR1020190102158A 2019-08-21 2019-08-21 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자 KR102365324B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190102158A KR102365324B1 (ko) 2019-08-21 2019-08-21 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자
US17/622,893 US20220245437A1 (en) 2019-08-21 2020-06-26 Three-dimensional neuromorphic device having multiple synapses per neuron
PCT/KR2020/008354 WO2021033906A1 (ko) 2019-08-21 2020-06-26 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102158A KR102365324B1 (ko) 2019-08-21 2019-08-21 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자

Publications (2)

Publication Number Publication Date
KR20210022869A KR20210022869A (ko) 2021-03-04
KR102365324B1 true KR102365324B1 (ko) 2022-02-21

Family

ID=74660516

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102158A KR102365324B1 (ko) 2019-08-21 2019-08-21 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자

Country Status (3)

Country Link
US (1) US20220245437A1 (ko)
KR (1) KR102365324B1 (ko)
WO (1) WO2021033906A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102541000B1 (ko) 2022-11-01 2023-06-07 인하대학교 산학협력단 인공신경망 구현을 위한 3차원 적층형 시냅스 어레이 스트링

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220101141A1 (en) * 2020-09-25 2022-03-31 Samsung Electronics Co., Ltd. Neural network devices based on phase change material
CN217788661U (zh) 2021-02-19 2022-11-11 株式会社Lg新能源 二次电池、应用于其的集电板、包括其的电池组及汽车
KR102554519B1 (ko) * 2021-06-24 2023-07-12 한양대학교 산학협력단 3차원 뉴로모픽 시스템 및 그 동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015115739A1 (ko) * 2014-01-28 2015-08-06 한양대학교 산학협력단 서로 다른 특성을 갖는 전극층 및/또는 층간 절연층을 이용하는 3차원 플래시 메모리 및 그 제작 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101888468B1 (ko) * 2011-06-08 2018-08-16 삼성전자주식회사 Ｓｔｄｐ 기능 셀을 위한 시냅스, ｓｔｄｐ 기능 셀 및 ｓｔｄｐ 기능 셀을 이용한 뉴로모픽 회로
KR101803409B1 (ko) * 2015-08-24 2017-12-28 (주)뉴로컴즈 다중 계층 신경망 컴퓨팅 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015115739A1 (ko) * 2014-01-28 2015-08-06 한양대학교 산학협력단 서로 다른 특성을 갖는 전극층 및/또는 층간 절연층을 이용하는 3차원 플래시 메모리 및 그 제작 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Adaptive-Learning Functions of Ferroelectric Field-Effect Transistors for Synaptic Device Applications", International Symposium on Nonlinear Theory and Its Applications NOLTA2017(pp. 314-317), 2017.*
"Mott Memory and Neuromorphic Devices", Proceedings of the IEEE Volume 103 Issue 8(pp. 1289-1310), 2015.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102541000B1 (ko) 2022-11-01 2023-06-07 인하대학교 산학협력단 인공신경망 구현을 위한 3차원 적층형 시냅스 어레이 스트링

Also Published As

Publication number Publication date
WO2021033906A1 (ko) 2021-02-25
KR20210022869A (ko) 2021-03-04
US20220245437A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
KR102365324B1 (ko) 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자
van De Burgt et al. Organic electronics for neuromorphic computing
US11586884B2 (en) Artificial neurons using diffusive memristor
JP7336819B2 (ja) 抵抗処理ユニット・アレイのクロスポイント・デバイスに重みを記憶するための方法、そのクロスポイント・デバイス、ニューラル・ネットワークを実施するためのクロスポイント・アレイ、そのシステム、およびニューラル・ネットワークを実施するための方法
Kuzum et al. Synaptic electronics: materials, devices and applications
Sung et al. Simultaneous emulation of synaptic and intrinsic plasticity using a memristive synapse
Hansen et al. Unsupervised Hebbian learning experimentally realized with analogue memristive crossbar arrays
Hansen et al. Double-barrier memristive devices for unsupervised learning and pattern recognition
US11727977B2 (en) Non-volatile analog resistive memory cells implementing ferroelectric select transistors
US9208434B2 (en) Neuromorphic system exploiting the intrinsic characteristics of memory cells
Nishitani et al. Supervised learning using spike-timing-dependent plasticity of memristive synapses
US11488001B2 (en) Neuromorphic devices using layers of ion reservoirs and ion conductivity electrolyte
Šuch et al. Passive memristor synaptic circuits with multiple timing dependent plasticity mechanisms
US11121259B2 (en) Metal-oxide-based neuromorphic device
US11586899B2 (en) Neuromorphic device with oxygen scavenging gate
Sung et al. Bio-plausible memristive neural components towards hardware implementation of brain-like intelligence
Kim et al. Mimicking Synaptic behaviors with cross-point structured TiO x/TiO y-based filamentary rram for neuromorphic applications
Prati Atomic scale nanoelectronics for quantum neuromorphic devices: comparing different materials
Kiani et al. Electroforming-free BiFeO 3 switches for neuromorphic computing: Spike-timing dependent plasticity (STDP) and cycle-number dependent plasticity (CNDP)
Shuai et al. Spike-timing-dependent plasticity in memristors
Mulaosmanovic et al. FeFETs for neuromorphic systems
Dias et al. Memristive-based neuromorphic applications and associative memories
Nowshin et al. ReRAM-Based Neuromorphic Computing
KR102487733B1 (ko) 뉴런 모방 회로
Ali et al. Design of Spiking Neural Networks based on Memristors

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant