동영상에서 사람이 어느 쪽으로 걷는지 알려면 지금 장면만 봐서는 부족합니다. 조금 전 장면과 비교해야 움직임의 방향을 알 수 있습니다. 시간에 따라 변하는 정보를 다루는 AI에도 이런 ‘잠깐의 기억’이 필요합니다.
그런데 빠르게 바뀌는 진동과 천천히 바뀌는 온도를 같은 기억시간으로 읽으면 중요한 변화가 사라지거나 오래된 정보가 현재 판단에 섞일 수 있습니다. 이번 연구는 AI 하드웨어가 기억이 사라지는 속도를 바꿀 수 있는지 물었습니다.
왜 연구했나요?
전기 자극의 흔적이 잠시 남는 소자를 이용하면 과거 입력과 현재 입력을 함께 계산할 수 있습니다. 연못에 돌을 던진 뒤 물결이 남는 것과 비슷합니다. 이런 물리적 흔적으로 시간패턴을 읽는 방법을 ‘리저버 컴퓨팅’이라고 합니다.
기존 장치에서는 흔적이 사라지는 속도가 재료와 구조에 크게 묶여 있었습니다. 빠른 신호에는 짧은 기억이, 느린 신호에는 긴 기억이 필요할 수 있으므로, 연구팀은 이 시간을 조절하려 했습니다.
무엇을 했고, 어떤 결과를 얻었나요?
서울대와 연세대 연구진은 입력의 흔적을 남기는 전자소자인 ‘멤리스터’에 전류를 조절하는 ‘박막 트랜지스터’를 결합했습니다. 하나는 흔적을 만들고 다른 하나는 그 흔적의 시간응답을 조절하도록 역할을 나눴습니다.
실제 소자 실험에서 시간응답을 약 1,000배 범위로 조절했습니다. AI 성능이 1,000배 좋아졌다는 뜻이 아니라, 과거의 영향을 얼마나 오래 남길지 선택하는 범위가 넓어졌다는 뜻입니다. 장치를 배열로 묶어 움직임 인식과 초음파 신호 분류도 시연했습니다.
왜 중요한가요?
이번 진전은 기억의 ‘양’뿐 아니라 기억의 ‘시간’을 하드웨어 설계 대상으로 삼았다는 데 있습니다. 여러 속도로 변하는 센서 신호에 맞춰 장치가 적응할 수 있는 길을 보여 줍니다. 발전한다면 로봇이나 산업용 센서 가까이에서 시간패턴을 처리하는 데 도움이 될 수 있습니다.
현재는 작동을 시연한 연구용 시제품입니다. 더 큰 규모에서도 일정하게 동작하는지, 오래 사용해도 안정적인지, 기존 계산 장치보다 실제 전력과 비용에서 유리한지는 검증이 필요합니다. 고정된 기억시간이라는 제약을 풀어낸 것이 성과이며, 현장에서 효과를 검증하는 일은 남아 있습니다.
이 연구를 어떻게 읽으면 될까요?
| 평가 항목 | 쉬운 기준 | 이번 연구의 위치와 뜻 |
| 분야 | 어떤 문제를 다루는가? | AI·반도체: 시간에 따라 변하는 정보를 전자장치로 읽는 문제입니다. |
| 발전 단계 | ① 원리 발견: 아이디어 제안 → ② 실험 증명: 원리 확인 → ③ 시제품: 실제 작동 시연 → ④ 실제 환경 검증: 현장 확인 → ⑤ 초기 산업 적용: 일부 사용 → ⑥ 확산: 널리 사용 | ③ 시제품. 장치를 만들고 응용을 시연했지만 현장 제품 검증까지 끝난 단계는 아닙니다. |
| 넘어선 한계 | 기존에 무엇이 막혀 있었는가? | 재료에 묶여 있던 기억시간을 전기적으로 조절할 수 있게 했습니다. |
| 중요성과 남은 거리 | 무엇이 달라졌으며 실제 사용까지 무엇이 남았는가? | 다양한 신호에 적응할 설계 가능성을 보였습니다. 대규모 안정성·전력·비용·현장 검증이 남아 있습니다. |
출처
Nature Communications (2026-10-03), Monolithic three-dimensionally integrated memristor-thin-film transistor for electrically programmable multimode reservoir computing
https://doi.org/10.1038/s41467-026-78364-5
작성: H. Sol · 앨컴 통섭연구소
