지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박완준
- 발행연도
- 2022
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수51
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 4차 산업혁명으로 인하여, 인공지능, 자율주행, 블록체인과 같은 분야에서 정보의 병렬 및 고속 프로세싱의 필요성이 대두되고 있다. 기존의 폰 노이만 아키텍쳐가 가진 병목 현상과 반도체 집적화 기술의 한계를 해결하기 위하여, 저전력, 병렬 연산에 능한 인간의 뇌를 모사하는 ‘신경모사’ 방법이 제시되었다.
본 연구에서 기존 메모리의 한계를 극복할 수 있는 차세대 메모리 STT-MRAM의 저전력, 비휘발성 메모리 특성을 활용한 인공 뉴런과 TiO2 멤리스터 기반 시냅스 소자를 활용하여 스파이크 뉴럴 네트워크를 구현였다. 또, 구현된 스파이크 뉴럴 네트워크를 활용하여 이미지 인식을 실행하여, 저 데이터, 저 전력 환경에서의 구동이라는 뉴로모픽 아키텍쳐의 효용성을 확인하였다. STT-MRAM의 물리적 특성인 telegraphic switching 특성에 관하여 연구한 뒤, 외부 자기장과 spin tranfer torque(STT) 전류를 통해 인공 뉴런 신호 비율을 제어하고, 발생된 인공 뉴런 신호의 비율 차이에 따라 학습 강화와 망각이 TiO2 기반 멤리스터 시냅스 소자에서 발생하여 소자의 컨덕턴스가 2nS에서 38.5nS까지 조절되는 것을 확인하였다. 이를 인공 신경망에 적용하여, 뇌에서 이루어지는 학습을 집적회로 상에서 구현하였다. 딥러닝 소프트웨어 상의 분류 연산을 하드웨어 상에서 구현하여 뉴로모픽 시스템의 타당성을 검증했다. 그 검증 방법으로, 인공 뉴런 신호를 인공 시냅스와 스파이킹 뉴럴 네트워크에 입사하여 multiply-accumulate operation(MAC operation)을 통해 MNIST handwritten database 이미지를 classifaction을 실행했다.
이 연구를 통해 제안된 뉴로모픽 아키텍쳐는 생물학적 뉴런 구조를 구현하기 위한 integrated and firing(I&F)와 같은 추가적인 회로 구성없이, STT-MRAM 소자를 이용하여 인공 뉴런 신호를 구현하였기 때문에 회로 집적과 소비 전력 측면에서 큰 효용이 있다. 또한, 인공 뉴런 신호의 비율 차이를 이용하여 시냅스 가중치를 제어함으로써 인간의 뇌를 밀접하게 모방하였고, 결과적으로 높은 이미지 인식률 정확도와 같은 우수한 특성을 확인하였다. 결론적으로, 이 연구는 뉴로모픽 아키텍쳐의 하드웨어 구현을 통한 실용적인 인식 및 분류 후속 연구에 용이하다.
본 연구에서 기존 메모리의 한계를 극복할 수 있는 차세대 메모리 STT-MRAM의 저전력, 비휘발성 메모리 특성을 활용한 인공 뉴런과 TiO2 멤리스터 기반 시냅스 소자를 활용하여 스파이크 뉴럴 네트워크를 구현였다. 또, 구현된 스파이크 뉴럴 네트워크를 활용하여 이미지 인식을 실행하여, 저 데이터, 저 전력 환경에서의 구동이라는 뉴로모픽 아키텍쳐의 효용성을 확인하였다. STT-MRAM의 물리적 특성인 telegraphic switching 특성에 관하여 연구한 뒤, 외부 자기장과 spin tranfer torque(STT) 전류를 통해 인공 뉴런 신호 비율을 제어하고, 발생된 인공 뉴런 신호의 비율 차이에 따라 학습 강화와 망각이 TiO2 기반 멤리스터 시냅스 소자에서 발생하여 소자의 컨덕턴스가 2nS에서 38.5nS까지 조절되는 것을 확인하였다. 이를 인공 신경망에 적용하여, 뇌에서 이루어지는 학습을 집적회로 상에서 구현하였다. 딥러닝 소프트웨어 상의 분류 연산을 하드웨어 상에서 구현하여 뉴로모픽 시스템의 타당성을 검증했다. 그 검증 방법으로, 인공 뉴런 신호를 인공 시냅스와 스파이킹 뉴럴 네트워크에 입사하여 multiply-accumulate operation(MAC operation)을 통해 MNIST handwritten database 이미지를 classifaction을 실행했다.
이 연구를 통해 제안된 뉴로모픽 아키텍쳐는 생물학적 뉴런 구조를 구현하기 위한 integrated and firing(I&F)와 같은 추가적인 회로 구성없이, STT-MRAM 소자를 이용하여 인공 뉴런 신호를 구현하였기 때문에 회로 집적과 소비 전력 측면에서 큰 효용이 있다. 또한, 인공 뉴런 신호의 비율 차이를 이용하여 시냅스 가중치를 제어함으로써 인간의 뇌를 밀접하게 모방하였고, 결과적으로 높은 이미지 인식률 정확도와 같은 우수한 특성을 확인하였다. 결론적으로, 이 연구는 뉴로모픽 아키텍쳐의 하드웨어 구현을 통한 실용적인 인식 및 분류 후속 연구에 용이하다.
목차
제1장 서론 11.1 연구 배경 11.2 뉴로모픽 41.2.1 생물의 신경 모델 41.2.2 신경 모사 인공뉴런과 네트워크의 구현 61.3 스핀트로닉스 8제2장 자기 터널 접합을 이용한 뉴런 구현 92.1 자기 터널 접합 소자(Magentic tunnel junction, MTJ) 92.2 자기 이력 곡선(Magnetic hysteresis loop) 112.3 LLGS 방정식(Landau-Lifshitz-Gilbert-Slonczewski Equation) 122.4 자기 터널 접합 소자 측정 및 실험 142.41 측정 장비 142.42 측정 방법 162.5 Telegraphic switching characteristic 18제3장 뉴로모픽 아키텍쳐 구현 203.1 뉴럴 코딩을 모사한 비율 코딩 203.2 시냅스 소자 243.3 시냅스 가소성 273.3.1 스파이크 시간 의존 가소성(spike-time dependent plasitcity, STDP) 273.3.2 스파이크 비율 의존 가소성(spike-rate dependent plasitcity, SRDP) 283.4 스파이크 뉴럴 네트워크를 이용한 이미지 인식 303.4.1 스파이크 뉴럴 네트워크의 구성 303.4.2 하이브리드 학습방법 323.4.3 하드웨어 뉴로모픽 아키텍쳐 이미지 패턴 인식 33제4장 뉴로모픽 아키텍쳐 데이터 분석 384.1 이미지 인식률 최적화 384.1.1 On/Off-line 학습의 상관관계 384.1.2 데이터 시각화 40제5장 결론 41
최근 본 자료
댓글(0)
0