[번역] 뉴럴 네트워크를 위한 Memristor 만들기

뉴럴 네트워크를 위한 Memristor 만들기 by Brian Benchoff

[출처] http://hackaday.com/2015/11/03/building-memristors-for-neural-nets/

오늘날 사용 가능한 대부분의 전자 부품들은 몇 년전에 사용 가능했던 것들이 그져 개선된 형태이다. Microcontroller들은 점점 빨라지고, memory 들은 점점 커지고 sensor들은 점점 작아진다. 그러나 우리는 수년동안 혹은 수십년동안 조차 진짜로 기발한 부품을 보지 못해왔다. memristor보다 더 기발한 응용분야를 갖는 더 흥미로운 전자 부품은 없다. 그리고 지금 그들은 Knowm으로 부터 상업적으로 사용가능하다. 이 회사는 실리콘에 직접 machine learning을 직접하는  최첨단에 있다.

디지탈 회로의 모든 관점은 '1'과 '0'의 연속으로 이루어진 정보를 저장하는데 있다. Memristor들 또한 정보를 저장한다. 하지만, 완전히 아날로그 방식으로 수행한다. 각각의 Memristor는 흐르는 전류에 따라 자체 저항을 변경한다; 양의 전압을 저장하는 것은 저항을 낮추고 음의 전압을 저장하는 것은 장치를 다시 높은 저항 상태로 되돌아 가게 한다.

이 새로운 memristor는 Boise 주립대의 Dr. Kris Campbell에 의해서 수행된 연구에 기반한다. 이사람은 우리가 올해 초에 보았던 silver chalcogenide memristors에 책임이 있는 연구자와 같은 사람이다. 이러한 초기의 장치들과 같이 Knowm memristor는 silver chalcogenide 분자들을 이용해서 만들어 진다. memristor의 저항값을 낮추기 위해서 양전압이 silver 이온들을 금속 chalcogenide 층으로 당긴다. silver 이온들은 음전압에 의해 다시 밀려나게 될때까지 이 chalcogenide 층에 머물르게 된다. 이것이 memristor의 핵심 기능이 된다. 이를 통해서 얼마나 많은 전류를 흘려 보내냐를 기억할 수 있게 된다.

금속 chalcogenide memristor의 단면 [출처 : Knowm.org]

이 기술은 2008년에 HP에서 만든 첫 번째 memristor들 과는 다르고, Knowm으로 하여금 상대적으로 높은 수율을 갖는 실리콘에서 동작하는 memristor를 만들 수 있도록 하였다. Knowm은 현재 8개 중 2개가 QC 테스트에 실패하고 있는 tier 3 memristor 부품을 팔고 있다. 모든 8개의 memristor들이 동작하는 tier 1 파트는 $220달러에 팔고 있다. 

이러한 memristor를 위한 용도로써 Knowm은 그들이 Thermodynamic RAM 혹은 kT-RAM으로 부르는 것들에 이 기술을 이용하고 있다. 이것은 훨씬 더 많이 전통적인 아키텍쳐인 컴퓨터로 가능한 것보다 더 빠른 machine learning를 허용하는 작은 coprocessor이다. 이러한 kT-RAM은 node 사이를 연결하는 link들로써 작동하는 memristor들로 구성된 binary tree layout을 사용한다.

kT-RAM 프로세서는 실생활에서 machine learning 작업들을 수행하는데 있어서 더 좋게 혹은 더 많이 효율적이라고 멀지 않은 시기에 말할 수 있게 되면, machine learning 보조 프로세서는 80년대 AI 르네상스 시기동안 개발된 machine learning 반도체의 희미하지만 분명한 반영을 가지고 있다. 30십년전, 칩위에 구현된 neural net 들은 어떤 이가 이러한 neural net들이 데스크탑 PC에 훨씬 더 효율적으로 시뮬레이션 할 수 있었을 때까지 Boston 주변에 몇 몇의 회사들에 의해서 만들어 졌다. kT-RAM은 다소 새롭고 고도의 병렬구조이고, 새로운 전자 부품을 가지고 machine learning을 직접적으로 반도체 위에 직접할 필요성이 있다.