본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 2

Contents 5

Abstract 17

1. Introduction 20

1.1. Limitation of Conventional Memory Architecture 20

1.2. In-Memory Computing 24

1.3. Two-Dimensional (2D) Ferroelectric Materials 27

1.4. References 29

2. All-Ferroelectric FET Based on 2D Ferroelectrics 30

2.1. Introduction 30

2.2. Performance and Working Mechanism of All-Ferroelectric FET 34

1) Device fabrication and characterization 34

2) Enhanced memory window of All-Ferroelectric FET 36

3) Non-volatile memory characteristics of All-Ferroelectric FET 39

2.3. In-Depth Analysis of Ferroelectric Dielectric/Ferroelectric Semiconductor Structure 44

1) Experimental analysis using piezoresponse force microscopy 44

2) Theoretical analysis through extended L-K theory 48

2.4. Artificial Synapse for Neuromorphic Computing 53

2.5. Conclusion 57

2.6. References 59

3. Bio-Inspired Self-Powered Artificial Visual System 63

3.1. Introduction 63

3.2. Artificial Visual System Based on 2D Ferroelectrics 67

1) Biological Visual System 67

2) Asymmetric contact driven self-powered artificial visual system 69

3.3. Light Sensing and Adaptation 73

1) Self-powered light sensing and adaptation 73

2) Operating mechanism 76

3.4. Optical Synaptic Behaviors 79

3.5. Conclusion 84

3.6. References 86

4. CuInP₂S₆ Ferroionic-based Threshold Switching FET and Its Application for Spiking Neuron 89

4.1. Introduction 89

4.2. CIPS Threshold Switching FET (TS-FET) 93

1) Device fabrication and characterization 93

2) CIPS Threshold Switch Device (TS Device) 95

3) CIPS Threshold Switching FET (TS-FET) 99

4.3. Artificial Spiking Neuron Behaviors 104

4.4. 2D Spiking Neural Network via Device-to-System Level Simulation 107

4.5. Conclusion 115

4.6. References 116

5. Summary 120

논문요약 123

List of Tables 7

Table 2.1. Comparison of the performance metrics of previously reported... 43

Table 4.1. Comparison of SNN simulation performance between previously... 114

List of Figures 8

Figure 1.1. Conventional memory hierarchy comprising fast but volatile... 23

Figure 1.2. (a) Schematic illustration of the memory bottleneck in conventional... 26

Figure 2.1. (a) Schematic illustration of 2D vdWH Fe-FET device constructed... 35

Figure 2.2. (a) Transfer characteristics of the α-In₂Se₃/h-BN/CIPS device... 38

Figure 2.3. (a) Transfer characteristics of the α-In₂Se₃/h-BN/CIPS Fe-FET... 41

Figure 2.4. (a) Data retention characteristics measured over 10⁴ seconds... 42

Figure 2.5. (a) Optical microscope (OM) image of the Au/α-In₂Se₃/h-... 46

Figure 2.6. PFM phase, amplitude, and piezoresponse hysteresis loops for... 47

Figure 2.7. (a) Schematic illustration of the atomic structure of the α-... 51

Figure 2.8. (a) PFM phase hysteresis loop of the α-In₂Se₃/h-BN structure,... 52

Figure 2.9. (a) Structural comparison between a biological synapse and the 2D... 55

Figure 2.10. (a) LTP/LTD curves as a function of the number of states (top),... 56

Figure 3.1. Schematic overview of the human visual and memory systems. The... 68

Figure 3.2. (a) Structural schematic of the vdWHe FeFET (α-... 72

Figure 3.3. (a) Time-dependent IDS response of the vdWH FeFET under low...[이미지참조] 75

Figure 3.4. (a-d) Schematic representation of the dynamic current decay... 78

Figure 3.5. (a) Optical memory transition from short-term memory (STM) to... 82

Figure 3.6. (a) A multi-layer neural network consisting of 400 input neurons,... 83

Figure 4.1. (a) Schematic illustration of a ferroionic threshold switching field-... 94

Figure 4.2. (a) Schematic illustration of the CIPS ferroionic threshold switching... 97

Figure 4.3. (a) C-AFM current map of the CIPS surface under a 2 V bias,... 98

Figure 4.4. (a) Equivalent circuit diagram of the ferroionic TS-FET, modeled... 102

Figure 4.5. Gate leakage current (IG) characteristics of (a) the MoS₂ FET and... 103

Figure 4.6. (a) Schematics illustrating the biological neuron and the CIPS-based... 106

Figure 4.7. Device-to-system simulation of face recognition using a 2D SNN.... 110

Figure 4.8. Potentiation and depression properties of CIPS-based synapse and... 112

Figure 4.9. (a) Encoding of pre-synaptic spike timing based on input pixel... 113

초록보기

 인공지능(AI), 빅데이터, 사물인터넷(IoT) 기술의 급속한 발전은 기존 컴퓨팅 시스템의 성능과 에너지 효율 한계를 초래하고 있다. 메모리와 연산 유닛이 분리된 폰 노이만(von Neumann) 아키텍처는 데이터 이동 병목현상, 높은 전력 소모, 그리고 확장성 제한과 같은 근본적인 문제를 안고 있다. 이러한 문제를 해결하기 위해, 뇌의 효율적인 정보 처리 메커니즘을 모방한 뉴로모픽 컴퓨팅이 주목받고 있으며, 이를 구현하기 위해서는 메모리와 연산 기능을 통합하면서 저전력으로 동작할 수 있는 고성능 소자가 필요하다.

강유전체 전계효과 트랜지스터(Fe-FET)는 비휘발성 메모리 특성과 CMOS 공정 호환성으로 뉴로모픽 하드웨어의 유망한 소자로 주목받고 있다. 그러나 기존 강유전체 소재는 소형화가 어렵고, 채널 제어 측면에서도 비효율적인 한계를 보이고 있다. 최근에는 CuInP₂S₆(CIPS), α-In₂Se₃와 같은 이차원(2D) 강유전체 소재가 원자층 수준에서도 안정적인 강유전성을 제공하여 이러한 한계를 극복할 수 있는 대안으로 부상하고 있다.

본 논문에서는 에너지 효율적인 인-메모리 컴퓨팅을 위한 2D 강유전체 기반 뉴로모픽 소자를 설계하고 실험적으로 구현하였다. 2D 강유전체를 활용한 All-Ferroelectric FET는 Dipole Coupling 효과로 인해 넓은 메모리 윈도우를 가지며, 부분적 분극 전환을 통해 시냅스 동작에 적합한 아날로그 전도도 조절 특성을 성공적으로 구현하였다. 또한, 단일 소자 내에서 광 감지, 메모리 저장, 정보 처리 기능을 모두 수행할 수 자가구동형 생체 모사 인공 시각 시스템을 구현하였다. 아울러, CIPS의 페로이온 특성을 활용한 임계 스위칭 트랜지스터(TS-FET)를 제안하였으며, 약 7.5 mV/dec의 초저전력 스위칭 특성과 10⁷ 이상의 높은 온/오프 전류 비를 실현하였다. 해당 소자는 외부 리셋 회로 없이 누설적분-발화(Leaky Integrate-and-Fire) 동작, 발화 임계값 조절, 시공간적 신호 처리 등의 주요 뉴런 동작 특성을 성공적으로 구현하였다. CIPS 기반 시냅스 및 뉴런 소자를 통합하여 스파이킹 신경망(SNN)을 구성하고, 2D 합성곱 신경망(CNN)을 활용한 얼굴 인식 테스트를 통해 성능을 검증하였다. 시뮬레이션 결과, 제안한 시스템은 95.83%의 높은 인식 정확도를 달성하였으며, 이는 2D 강유전체 소재가 고집적, 저전력 뉴로모픽 하드웨어 구현에 매우 유망함을 보여준다.

결론적으로, 본 연구는 All-Ferroelectric FET, 자가구동형 인공 시각 시스템, 그리고 페로이온 임계 스위칭 트랜지스터 기반 인공 뉴런 개발을 통해 차세대 인-메모리 컴퓨팅 아키텍처와 실용적인 뉴로모픽 지능형 하드웨어 구현을 위한 기반을 제공한다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기