EED LabEmerging Electronic Device
Theme 01
생체 시냅스의 동작을 모사한 뉴로모픽 디바이스를 이용하여 AI 연산에 특화된 컴퓨팅 시스템을 구현합니다.
Problem. 기존 컴퓨팅 구조는 메모리와 연산 장치 사이의 데이터 이동이 많아 AI 연산에서 에너지와 속도 병목이 발생합니다.
Approach. 시냅스 가중치 변화, 기억, 신호 합산을 소자 수준에서 구현하여 메모리와 연산이 결합된 컴퓨팅 시스템을 개발합니다.
Theme 02
생명체의 동작을 모사한 전자 시스템을 구현하여 기존 전자 시스템의 문제점을 해결합니다.
Problem. 기존 전자 시스템은 고정된 회로 구조와 높은 에너지 소모로 인해 환경 변화, 복잡한 신호, 실시간 적응에 한계를 가집니다.
Approach. 생명체의 감각, 적응, 피드백, 자가조절 원리를 전자소자와 회로 구조에 반영하여 효율적이고 유연한 시스템을 설계합니다.
Theme 03
차세대 전자 재료 및 디바이스 설계를 이용하여 차세대 전자소자 및 시스템을 제작합니다.
Problem. 실리콘 기반 소자만으로는 초저전력, 유연한 기능, 새로운 감각 및 지능형 시스템 구현에 한계가 있습니다.
Approach. 2D 소재, 유기/하이브리드 재료, 이온성 계면, 광전 기능성 재료를 활용하여 포스트 실리콘 전자소자와 시스템을 설계합니다.
THEME 01 / NEUROMORPHIC COMPUTING
기존 AI 하드웨어는 다수의 트랜지스터와 주변 회로를 조합해 연산을 수행하므로, 연산 기능이 복잡해질수록 소자 수와 전력·발열 부담이 커집니다. 시냅스 소자를 도입하더라도 단순히 기존 소자를 대체하는 수준에서는 연산 구조 자체를 간소화하기 어렵습니다. 본 연구는 이러한 한계를 줄이기 위해 Au(I) complex의 광유도 쌍극자 반전과 cPVP의 전하 포획을 결합하고, 강화학습에 필요한 신호 합산을 단위 소자 내에서 구현했습니다.
Au(I) complex에서는 광여기에 따른 ligand-to-ligand charge transfer가 쌍극자 반전을 유도하고, cPVP에서는 –OH trap site에 의한 전하 포획이 전압 기반 변조를 담당합니다. 두 기전을 IGZO transistor에 결합하여 빛과 전압에 따른 가중치 조절 및 신호 합산을 구현하고, 이를 Dueling Deep Q-Network의 Value와 Advantage 결합 연산에 대응시켰습니다.
소자 수준의 연산 기능은 실측한 단일 소자 특성을 반영한 강화학습 어레이 시뮬레이션으로 평가했습니다. 자동차 게임의 high-score 및 time-attack 과제에서 행동 선택 성능을 검증했으며, 분자 쌍극자와 고분자 전하 포획을 활용한 소재 설계가 강화학습의 연산 구현으로 이어질 수 있음을 제시했습니다.
Au(I) complex와 cPVP가 각각 담당하는 광학적·전기적 변조를 단일 소자에 통합함으로써, 신호 합산을 위한 주변 회로의 부담을 줄이고 연산 집적도를 높일 수 있을 것으로 기대됩니다. 또한 분자의 광응답과 고분자의 전하 포획 특성을 연산 설계 변수로 활용하여, 저전력 강화학습 하드웨어를 위한 소재·소자 설계 기반을 확장할 수 있습니다.
