인공지능, 스마트 반도체 관련 용어들

저항 메모리(Resistive RAM: RRAM 또는 ReRAM)는 차세대 비휘발성 메모리의 한 종류이다. RRAM은 부도체 물질에 충분히 높은 전압을 가하면 전류가 흐르는 통로가 생성되어 저항이 낮아지는 현상을 이용한 것이다. 일단 통로가 생성되면 적당한 전압을 가하여 쉽게 없애거나 다시 생성할 수 있다. 페로브스카이트(perovskite)나 전이금속 산화물, 칼코게나이드 등의 다양한 물질을 이용한 RRAM이 개발되고 있다. 이상, 위키백과

 

뉴로모픽 반도체

요약; 인간의 뇌 구조를 모방해 만든 반도체 칩으로 대용량 데이터를 병렬 처리해 적은 전력으로도 복잡한 연산, 추론, 학습 등이 가능하다. 이 때문에 자율주행차, 드론, 음성인식 등 4차 산업혁명 분야에서 폭넓게 활용될 수 있는 차세대 기술로 주목받고 있다. 인간의 뇌나 신경세포의 구조와 특성을 모방해 효율성을 높인 병렬 연산 인공지능형 반도체를 뜻한다. 다시 말해 시냅스와 뉴런으로 이뤄지는 인간의 두뇌 활동 과정을 칩에 적용한 것으로 신경모방칩이라고도 한다. 기존 컴퓨팅 구조가 순차적으로 데이터를 처리했다면 뉴로모픽 칩은 대용량 데이터를 병렬 처리한다. 뉴로모픽 반도체는 인공지능, 빅데이터, 머신러닝 등의 발전으로 방대한 데이터의 연산과 처리를 빠른 속도로 실행해야 하는 필요성에 따라 개발됐다. 폰노이만 방식이 적용된 보통의 슈퍼컴퓨터는 연산과 저장 등의 처리장치가 구분되어 있어 정보가 CPU에서 메모리를 거쳐 하드웨어로 가며, 네트워크가 이들을 연결한다. 때문에 정보를 전달하는 이 과정에서 에너지가 많이 소모되고 속도의 저하가 발생한다. 반면 뉴로모픽 칩은 연산과 저장이 하나의 반도체에서 처리된다. 이 때문에 적은 전력으로도 복잡한 연산이나 학습·추론 등을 효율적으로 할 수 있고, 인간의 행동 패턴을 분석하는 기능을 갖추고 있어 차세대 기술로 주목받고 있다. 또 뉴로모픽 반도체를 활용하면 하드웨어 크기도 줄일 수 있기 때문에 컴퓨터 성능의 발전도 기대할 수 있다. 이러한 장점으로 뉴로모픽 반도체는 자율주행차를 비롯해 로봇, 웨어러블 디바이스, 드론, 지능형 센서, 음성인식, 얼굴인식 등 4차 산업혁명 분야에서 폭 넓게 활용될 수 있다.  현재 IBM과 퀄컴이 뉴로모픽 반도체 개발의 선두주자로 활약하고 있는데, IBM은 2014년 트루노스(True North)를, 퀄컴은 제로스(Zeroth)를 개발했다. 이 밖에도 애플, 인텔, 화웨이 등의 글로벌 기업들이 뉴로모픽 반도체 개발과 상용화를 위해 경쟁을 벌이고 있다. 개발된 뉴로모픽 반도체는 연산 성능과 에너지 효율은 높은 반면 크기가 크고 가격이 비싸며 아직 범용성이 낮은 상태이다. 이상, [네이버 지식백과] 뉴로모픽 반도체 (시사상식사전, pmg 지식엔진연구소)

 

폰 노이만 구조(영어: Von Neumann architecture)는 에드박의 보고서 최초 초안(First Draft of a Report on the EDVAC)에서 수학자이자 물리학자 존 폰 노이만과 다른 사람들이 서술한 1945년 설명에 기반한 컴퓨터 아키텍처이다.[1] 해당 문서는 다음의 부품과 함께 전자 디지털 컴퓨터의 설계 구조를 설명한다: 폰 노이만 병목(Von-Neumann Bottleneck)현상은 일반적으로 자료경로의 병목현상 또는 기억장소의 지연 현상을 이르는데, 이는 나열된 명령을 순차적으로 수행하고, 그 명령은 일정한 기억장소의 값을 변경하는 작업으로 구성되는 폰 노이만 구조에서 기인한다. 어쨌든 주류를 이룬 컴퓨터는 대개 이 폰 노이만 구조를 근간으로 발전해 왔고, 우리가 흔히 CPU라고 말하는 중앙 처리 장치는 전자 공학, 반도체 기술 및 소재의 혁신적인 발전에 따라 점점 작은 크기에 집적되게 되었고 그 처리 능력도 비약적으로 발전해 왔다. 

 

딥러닝; 다층구조 형태의 신경망을 기반으로 하는 머신 러닝의 한 분야로, 다량의 데이터로부터 높은 수준의 추상화 모델을 구축하고자 하는 기법이다. 

 

인공지능-기계학습-딥러닝 [ Artificial Intelligence-Machine Learning-Deep Learning ]

• 인간의 뇌(Human Brain)는 뉴런(Neuron)이라는 수많은 신경세포로 이루어져 있으며, 각각의 뉴런은 시냅스(Synapse)라고 불리는 연결부위를 통해 수백에서 수천 개의 다른 뉴런들과 연결되어 있다. 각각의 뉴런은 수상돌기(dendrite)를 통해 자신과 연결된 다른 뉴런들로부터 전기 · 화학적 신호들을 받아들이며, 이러한 신호들을 세포체(cell body)에서 중합(重合)한다. 중합한 값이 임계치(threshold), 즉 뉴런 고유의 한계치보다 커지면 뉴런은 활성화되며, 축색돌기(axon)를 통해 인접 뉴런에 자신의 출력을 전달한다. 뉴런 간 정보교환은 각각 병렬적으로 수행되며, 이러한 정보교환 기능은 학습에 의하여 향상된다. • “인공지능(人工知能, Artificial Intelligence, AI)”은 이 분야의 기술적 구조에서 볼 때 최고 높은 상위개념이다. 우리 인간의 뇌와 뉴런신경망을 모방해 언젠가는 컴퓨터나 로봇들이 인간처럼 사고하고 행동하게 하는 것이다.

• 우리는 사진만으로 개와 고양이를 아주 쉽게 구분할 수 있지만 컴퓨터는 구분하지 못한다. 이를 위해 “기계학습(Machine Learning, ML)” 방법이 고안됐다. 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술로서, 저장된 개사진과 비슷한 사진이 입력되면, 이를 개사진이라고 컴퓨터가 분류하도록 하는 것이다. 데이터를 어떻게 분류할 것인가를 놓고, 이미 많은 기계학습 알고리즘이 등장했다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다. • 딥러닝(Deep Learning, DL)은 인공신경망의 후예하고 할 수 있는데, 인공신경망을 이용하여 데이터를 군집화하거나 분류하는데 사용하는 기술이 바로 “딥러닝”이다. 기계학습과 인지과학에서의 인공신경망은 생물학의 신경망(동물의 중추신경계, 특히 뇌)에서 영감을 얻은 통계학적 학습알고리즘이다. 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공뉴런(node)이 학습을 통해 시냅스의 결합세기를 변화시켜, 문제해결 능력을 가지는 모델전반을 가리킨다.

인공신경망을 이용하는 딥러닝의 핵심은 분류를 통한 예측이다. 수많은 데이터 속에서 패턴을 발견해 인간이 사물을 구분하듯 컴퓨터가 데이터를 나눈다. 이 같은 분별방식은 2가지로 나뉜다. 지도자(감독자/교사)의 신호(정답) 입력에 의해서 문제에 최적화되어 가는 지도(감독/교사) 학습과 지도자의 교사신호를 필요로 하지 않는 비지도(감독/교사) 학습이 있다. [네이버 지식백과] AI-ML-DL [Artificial Intelligence-Machine Learning-Deep Learning] - 인공지능-기계학습-딥러닝 (지형 공간정보체계 용어사전, 2016. 1. 3., 이강원, 손호웅)

 

오보닉 문턱 스위치 [ Ovonic threshold switch ]

비정질(非晶質) 반도체의 전압 특성이 불연속성을 나타내는 것을 이용하여 스위치 동작을 시키는 부품

[네이버 지식백과] 오보닉 스위치 [Ovonic switch] (전자용어사전, 1995. 3. 1., 월간전자기술 편집위원회)

 

멤리스터(memristor : /ˈmɛmrɪstər/; 메모리와 저항의 합성어)는 전하와 자속과의 결합에 관련된 비선형 수동 두단자 전기 구성요소로, 이론가 Leon Chua에 의해 1971년도에 만들어진 용어이다.[1] 이전까지 수동소자라고 하면 R, L, C 밖에 없었는데 하나가 더 추가된 것이다. 전압과 전류의 관계에서 저항(R)이 나오고(즉, V/I=R), 전압과 전하량 사이에서 콘덴서(미국에선 커패시터)가 나오고(Q=CV, C=Q/V) 전류와 자장 플럭스 사이에 인덕터(L=자장/전류)가 연결된다. 자장 플럭스와 전하사이의 수동소자를 멤리스터(M=자속/전하량=(자속/시간)/(전하량/시간)=V/I)라 한다. 최근 RRAM 소자의 동작이 멤리스터 개념에 연결되었다.[2] 특성적인 내용을 만드는 수학적 관계에서, 멤리스터는 다음의 방법으로 동작할 것이다라고 가설을 세웠다. 멤리스터의 전기적 저항은 일정하지 않고 그 소자를 통해 이전에 흘렀던 전류의 이력(과거 정보)에 따라 달라진다.[3] 즉 멤리스터의 현재 저항은 이 멤리스터의 두 단자 사이로 많은 전하가 과거에 어떤 방향으로 어떻게 흘렀는지에 따라 달라진다. 이 소자는 이력 소위 비휘발 특성을 기억한다.[3] 전력 공급이 끊어질 때 멤리스터는 가장 최근의 저항을 다시 전력이 들어올 때까지 기억한다.[4][5] Leon Chua는 최근에 저항 스위칭 효과를 기초로 하는 두 단자 비휘발성 메모리 소자에 멤리스터의 정의를 일반화할 수 있다고 주장했다.[3] 그러나, 어떤 실험적 증거는 이 주장과 대치되는데, 비 수동 나노배터리(nanobattery) 효과가 저항 스위칭 메모리에서도 관찰되었다.[6] 그 후 Chua는 멤리스터가 실질적으로 R, L, C 에 앞선, 가장 오래전에 알려진 회로소자라고 주장했다.[7] 2008년에 , HP 실험실의 한팀이 titanium dioxide 박막의 해석을 기초로 Chua의 빠뜨린 멤리스터를 찾았다고 발표했다.[8] 그 HP의 결과는 네이처 지에 게제되었다.[4] 멤리스터는 HP, SK Hynix, HRL 실험실을 포함한 여러 팀들에 의해 여전히 개발 중이다. 멤리스터 소자는 나노전자 메모리, 컴퓨터 논리, 뇌의 형태를 가진/뇌 멤리스터 컴퓨터 구조 등에 응용될 수 있다.[9] 2011년 10월에 HP 팀은 18개월 이내에 플래시 메모리, SSD, DRAM, SRAM을 대체할 수 있는 멤리스터 기술의 상용화 가능성을 발표했다.[10] 새로운 메모리의 상업적 이용은 최근 2018년으로 추정되었다.[11] 2012년 3월에, 미시간 대학교와 HRL Laboratories 팀이 세계에서 첫 번째로 동작하는 CMOS chip 기반 멤리스터 어레이를 발표했다.[12] [이상, 위키백과]