나노기술 및 정책 정보

• 목록

미국 캘리포니아 샌디에고 대학의 연구진이 개발한 새로운 인공 뉴런 장치 덕분에 이미지 인식 또는 자율 주행 자동차 탐색과 같은 작업을 수행하기 위해 신경망을 훈련시키는 데 언젠가는 컴퓨팅 성능과 하드웨어가 덜 필요할 수 있음. 이 장치는 기존 CMOS 기반 하드웨어보다 100~1000배 적은 에너지와 면적을 사용하여 신경망 계산을 실행할 수 있음.

신경망은 일련의 연결된 인공 뉴런 계층으로, 한 계층의 출력이 다음 계층에 입력을 제공함. 입력을 생성하는 것은 비선형 활성화 함수라고 하는 수학적 계산을 적용하여 수행됨. 이것은 신경망 운영의 중요한 부분이지만 이 기능을 적용하려면 메모리와 외부 프로세서라는 두 개의 개별 장치 간에 데이터를 주고 받는 작업이 필요하기 때문에 많은 컴퓨팅 성능과 회로가 필요함.

연구진은 활성화 기능을 효율적으로 수행할 수 있는 나노 미터 크기의 장치를 개발함. 이 장치는 정류 된 선형 단위라고 하는 신경망 훈련에서 가장 일반적으로 사용되는 활성화 함수 중 하나를 구현함. 이 기능의 특별한 점은 작동하려면 저항의 점진적인 변화를 겪을 수 있는 하드웨어가 필요하다는 것임. 이것이 바로 연구진이 장치를 설계하여 절연 상태에서 전도 상태로 점진적으로 전환할 수 있으며 약간의 열의 도움을 받아 수행함. 이 스위치를 Mott 전환이라고 함. 이것은 나노 미터 두께의 이산화 바나듐 층에서 발생함. 이 층 위에는 티타늄과 금으로 만든 나노 와이어 히터가 있음. 전류가 나노 와이어를 통해 흐르면 이산화 바나듐 층이 서서히 가열되어 절연에서 전도로 천천히 제어되는 스위치가 발생함.

이 장치를 구현하기 위해 연구진은 먼저 시냅스 장치 어레이와 함께 이러한 소위 활성화(또는 뉴런) 장치 어레이를 제작한 다음 맞춤형 인쇄 회로 기판에 두 개의 어레이를 통합하고 함께 연결하여 신경망의 하드웨어 버전을 생성함.

연구진은 이 네트워크를 사용하여 이미지를 처리함. 네트워크는 이미지에서 개체의 윤곽선이나 가장자리를 식별하는 가장자리 감지라는 이미지 처리 유형을 수행함. 이 실험은 통합 하드웨어 시스템이 다양한 유형의 심층 신경망에 필수적인 컨볼루션 연산을 수행할 수 있음을 보여줌.

연구원들은 자율 주행 차에서 얼굴 및 물체 인식과 같은 더 복잡한 작업을 수행하기 위해 이 기술을 더욱 확장할 수 있다고 말함.

연구진은 현재 이것이 개념 증명이라며, 이는 하나의 활성화 레이어와 하나의 시냅스 레이어만 쌓아 놓은 작은 시스템으로, 이들을 더 많이 쌓으면 다양한 애플리케이션에 대해 더 복잡한 시스템을 만들 수 있다고 설명함.

본 연구 성과는 Nature Nanotechnology ("Energy Efficient Mott Activation Neuron for Full Hardware Implementation of Neural Networks")에 게재됨.