전력 위기에 부딪힌 머신러닝, 뇌를 닮은 3차원 입체 반도체로 돌파구를 찾다

신경망 연산에 드는 막대한 전기에너지를 줄이기 위해 인간 뇌를 본뜬 3차원 아날로그 반도체가 주목받고 있습니다. 연산과 저장을 한곳에서 입체적으로 처리해 데이터 이동 손실을 없애는 차세대 기술의 원리와 가능성을 살펴봅니다.

머신러닝 열풍 뒤에 숨은 데이터센터의 전력 소모 위기

현대 정보 기술의 눈부신 발전은 머신러닝을 우리 일상의 중심에 세웠습니다. 거대 언어 모델은 자연스러운 대화와 문서 작성을 돕고 신약 후보 물질을 빠르게 탐색합니다. 의료 영상 판독과 정밀 산업 공정 자동화에서도 머신러닝의 활약은 두드러집니다. 기계가 사람의 복잡한 언어와 시각 정보를 이해하는 광경은 이제 익숙한 풍경이 되었습니다. 그러나 화면 뒤에서 이 기적을 묵묵히 떠받치는 물리적 현실은 결코 가볍지 않습니다. 오늘날 고성능 신경망 모델을 원활하게 구동하려면 거대한 데이터센터가 필수적입니다.

이 대형 데이터센터에는 행렬 계산에 특화된 그래픽 처리 장치(GPU)가 수만 대 들어갑니다. 그래픽 처리 장치(GPU)는 대량의 수학 연산을 병렬로 빠르게 처리하는 핵심 반도체입니다. 이 고성능 장치들이 밤낮없이 쉴 새 없이 가동되며 엄청난 양의 전기에너지를 소비합니다. 전 세계 주요 데이터센터의 전력 사용량은 이미 어지간한 중소 도시의 전체 소비량을 넘어섰습니다. 전력의 기본 단위는 와트(W)로, 1초 동안 소비되는 전기에너지의 비율을 뜻합니다. 대규모 머신러닝 센터는 수백 메가와트(MW)에 달하는 막대한 전력을 쉼 없이 집어삼킵니다.

신경망 연산의 핵심은 수많은 신경망 층으로 이루어진 매개변수를 곱하고 더하는 일입니다. 현재 널리 쓰이는 디지털 반도체 프로세서는 모든 정보를 0과 1의 이진수로 바꾸어 처리합니다. 유연하고 정밀한 계산이 가능하지만, 구조적으로 엄청난 양의 전력을 쓸 수밖에 없습니다. 반도체 칩 내부에서는 초당 수조 번에 달하는 고속 스위칭 동작이 숨 가쁘게 일어납니다. 스위치 역할을 하는 트랜지스터가 켜지고 꺼질 때마다 전기 저항으로 인해 열이 발생합니다.

칩에서 뿜어져 나오는 극심한 열기를 식히기 위해 거대한 냉각팬과 냉각수 설비를 돌려야 합니다. 이 냉각 설비를 가동하는 데 다시 막대한 전기가 들어가는 악순환이 끊이지 않습니다. 전력망 용량의 한계는 이제 새로운 대형 데이터센터를 짓는 데 가장 큰 걸림돌이 되었습니다. 전력 소비가 급증하면 발전소 가동이 늘어나 탄소 배출과 환경 부담도 덩달아 커집니다. 반도체 공정을 미세화해 트랜지스터를 작게 줄이는 종래의 방식도 한계에 부딪혔습니다. 소자가 나노 단위로 극도로 작아지면서 누설 전류가 생기고 단위 면적당 열 밀도가 치솟기 때문입니다. 기존 디지털 프로세서 설계만으로는 에너지 위기라는 거대한 벽을 극복하기 어렵습니다.

폰 노이만 병목현상과 데이터 이동이 일으키는 에너지 낭비

오늘날 우리가 사용하는 컴퓨터는 대부분 폰 노이만 구조를 바탕으로 설계되었습니다. 이는 연산을 맡는 중앙 처리 장치(CPU)와 정보를 저장하는 기억 장치가 나뉜 구조입니다. 중앙 처리 장치(CPU)는 프로그램의 명령어를 해석하고 실행하는 컴퓨터의 두뇌입니다. 이 구조는 다양한 프로그램을 쉽게 교체하며 다목적으로 처리하기에 매우 적합합니다. 사무 처리나 일반적인 수치 계산을 다룰 때는 오랜 세월 탁월한 효율을 발휘해 왔습니다.

하지만 수천억 개에 달하는 방대한 데이터를 다루는 대규모 연산 환경에서는 치명적인 약점을 드러냅니다. 연산 장치와 메모리 사이를 연결하는 통로인 데이터 버스의 대역폭이 좁기 때문입니다. 연산 장치가 아무리 빠른 속도로 계산을 끝내도 메모리가 데이터를 제때 보내지 못하면 멈춰 섭니다. 이를 컴퓨터 공학에서는 통로가 병목처럼 좁아져 처리가 지체되는 '폰 노이만 병목현상'이라고 부릅니다. 신경망 모델은 끊임없이 가중치 데이터를 메모리에서 읽어오고 다시 써야 합니다. 이때 연산 장치는 데이터를 하염없이 기다리며 헛돌고 전체 시스템의 속도가 떨어집니다.

신경망 가속기에서 소모되는 에너지의 상당 부분은 계산 자체가 아니라 데이터를 실리콘 칩 사이로 나르는 과정에서 낭비됩니다.

속도 지연보다 더 심각한 문제는 데이터가 오가는 과정에서 버려지는 엄청난 에너지입니다. 에너지의 기본 단위는 줄(J)로, 1와트(W)의 전력으로 1초 동안 일했을 때 소비되는 총에너지양입니다. 반도체 칩 내부에서 64비트 부동소수점 곱셈 하나를 실행할 때 소모되는 에너지는 매우 미미합니다. 그러나 그 연산에 필요한 숫자를 디램(DRAM)에서 가져오는 데는 수백 배에서 수천 배 더 많은 에너지가 듭니다. 디램(DRAM)은 전원이 켜져 있는 동안 데이터를 임시로 보관하는 대표적인 고속 기억 장치입니다.

현대 신경망 가속기에서 소비되는 전체 에너지 중 최대 80%가 순수한 계산이 아닌 데이터 이동에 쓰입니다. 수학적 계산을 수행하는 시간보다 데이터를 칩 사이로 나르는 데 훨씬 많은 전기를 낭비하는 셈입니다. 칩 내부와 외부를 분주하게 오가는 데이터의 물리적 이동 거리를 줄이지 않고서는 에너지 혁신을 기대할 수 없습니다.

이를 극복하기 위해 메모리 내부에서 직접 연산까지 처리하는 지능형 메모리(PIM) 기술도 활발히 연구됩니다. 지능형 메모리(PIM)는 저장 장치 내부에 연산기를 심어 데이터 이동을 일부 줄여줍니다. 하지만 여전히 기존 디지털 메모리 공정을 기반으로 하므로 근본적인 한계를 완전히 벗어나지 못합니다. 데이터가 지나가는 물리적 통로를 원천적으로 없애지 않고서는 진정한 에너지 절감이 어렵습니다. 연구자들은 전력 소모를 획기적으로 줄일 수 있는 완전히 새로운 소자와 구조를 찾기 위해 생명체로 눈을 돌렸습니다.

20와트로 생각하는 인간의 뇌, 시냅스 모사 멤리스타의 등장

연구자들이 찾은 궁극적인 청사진은 바로 자연이 빚어낸 생명체의 뇌였습니다. 인간의 뇌에는 약 860억 개의 신경세포인 뉴런이 고밀도로 밀집해 있습니다. 이 신경세포들은 약 100조 개에 이르는 시냅스로 서로 정교하게 연결되어 있습니다. 시냅스는 신경세포 사이에서 전기적 신호를 주고받는 미세한 연결 부위입니다. 놀랍게도 인간의 뇌가 시각 인지와 언어 이해, 창의적 추론을 해내는 데 쓰는 전력은 약 20와트(W) 안팎에 불과합니다.

20와트(W)는 가정에서 방 하나를 은은하게 밝히는 작은 백열전구 하나가 쓰는 전력입니다. 수 킬로와트(kW)의 전기를 집어삼키는 슈퍼컴퓨터보다 인간의 두뇌가 훨씬 똑똑하고 효율적인 셈입니다. 뇌가 이토록 경이로운 에너지 효율을 발휘하는 비결은 연산과 기억의 일체화에 있습니다. 생물학적 뇌는 연산 장치와 저장 장치가 물리적으로 나뉘어 있지 않습니다. 시냅스라는 하나의 미세 구조 안에서 기억과 신호 처리가 동시에 일어납니다. 시냅스는 이전의 자극 강도를 기억하면서, 동시에 들어온 전기 신호를 조절하여 다음 세포로 넘깁니다.

생체 시냅스의 이러한 독특한 특성을 전자 회로로 구현하기 위해 개발된 소자가 바로 멤리스타입니다. 멤리스타는 메모리(기억)와 레지스터(저항)의 합성어로 불리는 차세대 저항 변화 소자입니다. 이 소자는 소자를 통과해 흘렀던 전류의 전하량을 기억하여 자신의 전기 저항 상태를 연속적으로 바꿉니다. 전원 공급이 끊겨도 마지막으로 설정된 저항 상태를 그대로 보존하는 비휘발성 특성을 가집니다.

기존 디지털 트랜지스터는 전류가 흐르는 켜짐(1)과 흐르지 않는 꺼짐(0)이라는 두 상태만 다룹니다. 반면 멤리스타는 마치 수도꼭지의 손잡이를 미세하게 조절하듯 저항값을 아날로그 형태로 연속 조절할 수 있습니다. 이 연속적인 저항값은 인공신경망에서 두 신경세포 사이의 연결 강도를 나타내는 가중치와 정확히 일치합니다. 가중치는 머신러닝이 대규모 학습을 통해 터득한 정보의 중요도를 수치화한 값입니다.

기존 컴퓨터는 메모리에서 가중치 숫자를 하나씩 꺼내와 연산기로 옮겨 계산했습니다. 반면 멤리스타 소자 배열에서는 가중치 자체가 소자의 물리적 저항값으로 단단히 저장되어 있습니다. 따라서 외부에서 입력 신호가 들어와 소자를 통과하는 순간, 저항값에 비례해 계산이 즉각 이루어집니다. 연산 장치와 기억 장치의 경계가 완전히 허물어지며 데이터 이동에 따르는 에너지 낭비가 근본적으로 사라집니다.

나노 박막을 수직으로 쌓아 올린 3차원 적층 집적 기술

멤리스타 소자를 바둑판 모양으로 늘어놓는 2차원 평면 배열 구조는 공간적 한계에 부딪힙니다. 신경망 모델이 커질수록 더 많은 소자가 필요하고, 평면 면적이 넓어질수록 전선 길이가 늘어납니다. 배선이 길어지면 전기 신호가 이동할 때 저항 손실이 발생하고 신호 전달 시간이 지체됩니다. 칩 크기가 커질수록 반도체 웨이퍼 한 장에서 나오는 정상 칩의 수가 줄어 제작 단가도 치솟습니다. 단층 건물들이 넓게 퍼진 평면 도시에서 도로가 막히고 출퇴근 시간이 길어지는 것과 같습니다.

나노 반도체 공학계 연구팀들은 3차원 적층 구조를 제시했습니다. 멤리스타 소자를 2차원 평면에만 머무르게 하지 않고 수직으로 층층이 쌓아 올리는 기술입니다. 이는 복잡한 도시에서 초고층 복합 빌딩을 짓고 고속 승강기로 층 사이를 오가는 구조와 같습니다. 연구진은 10억 분의 1미터 단위인 나노미터(nm) 두께의 박막 공정을 정밀하게 제어했습니다. 이를 통해 수십 층에 달하는 멤리스타 소자를 수직으로 오차 없이 적층하는 데 성공했습니다.

3차원 입체 구조에서는 층과 층 사이를 수직 관통 전극으로 최단 거리로 연결합니다. 실리콘 관통 전극(TSV) 기술을 응용해 신호선 길이를 수 마이크로미터(μm) 수준으로 극적으로 줄였습니다. 1마이크로미터(μm)는 100만 분의 1미터에 해당하는 아주 짧은 미세 거리입니다. 배선 거리가 획기적으로 짧아지면서 전선 자체에서 발생하는 저항 손실과 신호 지연이 대폭 감소했습니다. 단위 면적당 소자 집적도가 비약적으로 향상되어 손톱만 한 크기 안에 수십억 개의 시냅스 소자를 집어넣을 수 있습니다.

무엇보다 3차원 입체 배치는 다층 인공신경망의 구조를 물리적 하드웨어로 그대로 투영할 수 있게 해줍니다. 딥러닝 인공신경망은 정보를 받아들이는 입력층, 특징을 추출하는 여러 은닉층, 결과를 내는 출력층으로 구성됩니다. 3차원 칩에서는 첫 번째 층에서 나온 계산 전류가 수직 전극을 타고 아래층 멤리스타로 곧바로 흘러 들어갑니다. 중간 연산 결과를 별도의 기억 장치에 임시로 저장했다가 다시 불러오는 번거로운 과정이 전혀 없습니다. 전하가 칩 내부의 입체 회로망을 흘러내리는 과정 자체가 하나의 완결된 다층 신경망 추론 과정이 됩니다.

옴의 법칙과 키르히호프의 법칙으로 푸는 초고속 행렬 연산

3차원 아날로그 반도체는 수많은 논리 게이트 대신 자연의 기초 물리 법칙을 활용해 계산을 수행합니다. 그 바탕에는 교과서에서 널리 배우는 '옴의 법칙'과 '키르히호프의 전류 법칙'이 자리 잡고 있습니다. 옴의 법칙은 도선에 흐르는 전류(I)가 가해진 전압(V)과 물질의 전기 전도도(G)의 곱에 비례한다는 원리입니다. 전기 전도도는 전기가 얼마나 잘 통하는지를 나타내는 값으로 저항의 역수입니다. 키르히호프의 전류 법칙은 회로의 한 지점으로 흘러든 전류의 합이 나가는 전류의 합과 같다는 법칙입니다.

이 두 가지 단순하고 불변하는 물리 법칙은 신경망 연산의 핵심인 행렬 곱셈 누적(MAC)과 완벽히 일치합니다. 머신러닝의 모든 추론 과정은 입력 데이터 벡터에 수많은 가중치 행렬을 곱하고 더하는 방대한 계산입니다. 연구팀은 멤리스타 교차 배열의 입력 전극에 인공신경망 입력 데이터를 전압(V)의 크기로 바꾸어 인가했습니다. 각 교차점에 위치한 멤리스타의 전기 전도도(G)는 신경망에 저장된 가중치 값을 나타냅니다. 전압이 가해지는 찰나의 순간, 옴의 법칙(I = V × G)에 의해 각 소자에서 미세 전류가 즉각 발생합니다.

전압을 걸어 전류가 흐르고 합쳐지는 자연의 물리 법칙 자체가 인공신경망의 거대한 행렬 계산을 단숨에 끝냅니다.

각 소자에서 생성된 미세 전류들은 수직과 수평 출력 전극선을 타고 자연스럽게 흘러내려 하나로 합쳐집니다. 이때 키르히호프의 전류 법칙에 따라 별도의 디지털 덧셈 연산기 없이 전류들이 저절로 모두 더해집니다. 출력 전극 끝에서 흘러나오는 최종 전류의 세기가 바로 행렬 곱셈과 덧셈 연산의 최종 결괏값이 됩니다. 수백만 번의 곱셈과 덧셈을 디지털 클록 신호에 맞추어 하나하나 논리 회로로 처리할 필요가 전혀 없습니다.

전압을 가하는 순간 물리 법칙에 의해 행렬 계산의 결과가 아날로그 전류의 형태로 빛의 속도에 가깝게 도출됩니다. 트랜지스터가 0과 1을 반복해서 바꾸는 스위칭 동작이 배제되므로 연산 속도는 비약적으로 빨라집니다. 클록 주파수와 논리 게이트의 지연 시간을 뛰어넘어 전하가 이동하는 찰나에 모든 계산이 완료됩니다. 신호 전환에 소모되는 전기에너지가 거의 들지 않아 연산 효율이 극대화됩니다. 복잡한 수학 연산을 자연의 물리적 현상으로 직관적으로 풀어내는 뛰어난 공학적 해법입니다.

에너지 효율 100배 향상의 공학적 실체와 전력 절감 효과

차세대 3차원 아날로그 반도체 연구에서 가장 큰 찬사를 받는 대목은 기존 대비 100배 이상의 에너지 효율입니다. 과학 기사를 읽을 때는 전력(W)과 에너지(J)의 개념을 엄밀하게 구별해야 혼동을 피할 수 있습니다. 전력(W)은 단위 시간당 소비되는 전기의 흐름 속도를 의미하는 일률입니다. 반면 에너지(J)는 특정 작업을 시작해서 끝마칠 때까지 소비된 총전력의 누적량(전력 × 시간)을 뜻합니다. 에너지 효율이 100배 향상되었다는 것은 동일한 연산 작업을 완료할 때 드는 총에너지(J)가 100분의 1로 줄었다는 의미입니다.

순간 소비 전력(W)이 단순히 100분의 1로 줄어든 것과는 공학적으로 명백히 다른 개념입니다. 기존 디지털 그래픽 처리 장치(GPU)는 높은 계산 정밀도를 유지하기 위해 막대한 전기를 소모합니다. 32비트나 16비트 부동소수점 연산에서 단 하나의 오차도 내지 않으려고 수억 개의 트랜지스터를 동시에 구동합니다. 높은 주파수의 클록을 가동하고 캐시 메모리와 레지스터 사이에서 쉼 없이 데이터를 동기화해야 합니다. 실제 수학 계산에 쓰이는 에너지보다 시스템을 유지하고 제어하는 부가 전력 소비가 훨씬 큽니다.

반면 3차원 아날로그 멤리스타 칩은 데이터 이동을 없애고 자연 물리 법칙으로 곱셈과 덧셈을 단숨에 끝냅니다. 불필요한 스위칭 동작과 데이터 왕복이 사라지므로 연산에 드는 순수 전기에너지가 극도로 적습니다. 국제 연구팀들이 시제품 칩을 제작해 이미지 분류와 음성 인식 신경망 모델을 구동하며 정밀 측정했습니다. 그 결과 동일한 추론 연산 작업을 완수하는 데 소비된 총에너지(J)는 기존 상용 칩의 1% 미만이었습니다. 단위 연산당 에너지 소모량이 100분의 1 수준으로 줄어들어 에너지 효율이 100배 높아진 것입니다.

이 수치는 대규모 훈련이 아닌 신경망 추론 연산에 집중했을 때 달성된 뛰어난 특화 성과입니다. 소비되는 총에너지가 100분의 1로 줄어들면 뒤따라오는 가장 강력한 혜택은 발열의 극적인 감소입니다. 열은 회로의 전기 저항으로 인해 소모된 전기에너지가 밖으로 방출되는 물리적 손실입니다. 칩이 소모하는 총에너지가 극도로 적어지면 칩 표면의 온도 상승도 매우 미미해집니다. 시끄러운 냉각팬이나 무겁고 거대한 금속 방열판을 기기에 장착할 필요가 없어집니다. 크기가 작은 초소형 단말기나 센서에서도 배터리 부담과 과열 걱정 없이 고성능 머신러닝을 오래 가동할 수 있습니다.

잡음과 신뢰성, 그리고 대량 생산 공정의 벽

실험실의 혁신적인 연구 성과가 당장 시장의 상용 제품으로 출시되기까지는 넘어야 할 난관이 많습니다. 가장 먼저 마주하는 과학적 도전은 아날로그 신호가 지닌 본질적인 불안정성과 잡음 취약성입니다. 디지털 회로는 전압이 미세하게 흔들려도 정해진 문턱값을 기준으로 0과 1을 명확히 가려냅니다. 외부에서 노이즈가 유입되어도 다음 단계 회로로 넘어가면서 오차가 깨끗하게 걸러집니다. 반면 아날로그 회로는 전압이나 전류의 미세한 흔들림이 연산 오차로 고스란히 남게 됩니다.

멤리스타 내부에서 저항이 바뀌는 원리는 절연체 박막 안에서 산소 원자가 빠져나간 빈자리가 이동하는 현상입니다. 산소 빈자리가 모여 미세한 전도성 통로를 형성하면서 전류가 흐르게 됩니다. 이 현상은 열역학적 확률의 지배를 받는 미시적인 물리 과정입니다. 따라서 동일한 전압 펄스를 가하더라도 매번 저항값이 완벽하게 똑같이 변하지 않고 미세한 오차가 발생합니다. 주변 온도가 계절이나 작업 부하에 따라 변하면 소자에 저장된 저항값이 서서히 흔들릴 위험도 있습니다.

만약 자율주행 자동차나 정밀 의료 기기에서 신경망 가중치 값이 흔들리면 매우 위험합니다. 사물을 엉뚱하게 인식하거나 잘못된 진단을 내려 돌이킬 수 없는 사고를 부를 수 있기 때문입니다. 연구팀들은 오차를 보정하기 위해 디지털 보정 회로와 잡음 억제 알고리즘을 함께 연구하고 있습니다. 그러나 산업 표준 규격이 요구하는 10년 이상의 장기 동작 신뢰성을 확보할 수 있는지는 더 검증되어야 합니다. 가혹한 환경에서도 일관된 전기적 특성을 유지하는 신소재 산화물 박막을 개발하는 일이 시급합니다.

제조 공정의 수율을 확보하는 일 역시 대단히 높은 기술적 장벽입니다. 수율은 전체 생산된 반도체 칩 가운데 결함 없이 정상 작동하는 양품의 비율을 말합니다. 현대 실리콘 반도체 산업은 수십 년간 다듬은 극자외선 노광 장비를 이용해 수십억 개의 소자를 결함 없이 찍어냅니다. 하지만 새로운 산화물 기반 멤리스타를 수십 층씩 균일하게 쌓는 공정은 아직 초기 단계입니다. 위층을 제작할 때 가해지는 높은 열이 아래층 소자의 미세 산소 분포를 교란하지 않도록 엄격히 통제해야 합니다. 수직으로 뚫린 미세 전극 수만 개 중 단 하나만 접촉 불량이 생겨도 3차원 칩 전체를 폐기해야 합니다.

소프트웨어 생태계와의 단절도 상용화를 가로막는 중요한 숙제입니다. 현재 전 세계 수백만 명의 개발자가 사용하는 머신러닝 개발 환경은 모두 디지털 연산을 전제로 구축되어 있습니다. 부동소수점으로 정밀하게 학습된 신경망 모델을 아날로그 소자의 전도도 값으로 정밀 변환해야 합니다. 멤리스타 소자가 지닌 비선형적 저항 변화 특성을 수학적으로 보정해 주는 전용 컴파일러가 필수적입니다. 하드웨어의 뛰어난 에너지 효율이 실질적인 시장 가치로 이어지려면 소프트웨어 도구의 뒷받침이 반드시 이루어져야 합니다.

단말기 내장형 머신러닝부터 자율주행까지 열리는 새 지평

여러 공학적 도전에도 불구하고 3차원 적층 아날로그 반도체가 현실화되었을 때 맞이할 미래는 매우 매력적입니다. 가장 먼저 피부에 와닿는 변화는 스마트폰과 같은 개인용 전자기기의 완전한 지능화입니다. 현재 모바일 기기의 머신러닝은 복잡한 다국어 번역이나 이미지 생성을 할 때 중앙 클라우드 서버와 통신합니다. 사용자의 음성과 사진 데이터를 원격 서버로 전송하고 연산 결과를 되돌려받는 방식입니다. 이 과정에서 배터리가 빠르게 닳고 데이터 통신 요금이 청구됩니다. 통신 연결이 끊긴 비행기 안이나 깊은 산간 지역에서는 머신러닝 서비스가 멈추고 맙니다.

초저전력 3차원 반도체가 단말기에 직접 탑재되면 단말기 내장형 지능 기능(온디바이스 방식) 시대가 열립니다. 외부 인터넷 통신망 연결이 전혀 없는 환경에서도 기기 내부에서 고성능 거대 모델이 실시간으로 구동됩니다. 사용자가 말하는 즉시 통신 지연 없이 다국어 동시통역이 자연스럽게 이루어집니다. 고화질 영상 편집과 정교한 개인 비서 기능도 배터리 부담 없이 안정적으로 돌아갑니다. 기술이 공기처럼 일상 속에 자연스럽게 스며드는 생활 밀착형 지능이 완성되는 것입니다.

외부 통신망에 기대지 않고 단말기 안에서 스스로 판단하는 초저전력 지능은 안전과 보안이 핵심인 미래 산업의 기초가 됩니다.

개인 정보 보호와 데이터 보안 측면에서도 획기적인 전환점이 마련됩니다. 가정용 실내 카메라가 촬영하는 실내 영상이나 웨어러블 기기가 측정하는 심전도 수치는 지극히 민감한 정보입니다. 초저전력 칩을 사용하면 이 방대한 개인 정보를 외부 서버로 전송할 필요가 전혀 없습니다. 기기 내부에서 직접 데이터를 분석하고 사용자에게 필요한 핵심 결과만 화면에 띄워줍니다. 원격 서버 해킹이나 데이터 전송 과정에서 생길 수 있는 정보 유출 위험을 원천 차단합니다. 지능은 비약적으로 똑똑해지되 개인의 정보 주권은 철저히 보호받는 기술적 방패가 생기는 셈입니다.

산업 안전과 모빌리티 분야로 시선을 돌리면 그 가치는 한층 더 극명해집니다. 폭설이 쏟아지는 도로를 주행하는 자율주행 차량이나 재난 현장에 투입된 탐사 드론이 대표적입니다. 통신망이 순간적으로 끊기거나 원격 서버 지연이 0.1초만 생겨도 사람의 생명을 위협하는 사고로 이어집니다. 외부 통신에 의존하지 않고 현장 단말 자체에서 센서 신호를 즉시 처리하고 반응하는 독립적 지능이 필수적입니다. 심장 박동 이상을 감지해 실시간으로 전기 자극을 주는 체내 삽입형 의료 기기에서도 배터리 걱정 없는 초저전력 칩이 생명을 지키는 든든한 보루가 됩니다.

기존 디지털 그래픽 처리 장치(GPU)와의 관계는 전면적인 대체가 아닌 공존과 상호 보완의 관점으로 발전할 것입니다. 초거대 신경망 모델을 천문학적인 데이터로 사전 학습시키고 정밀 과학 연산을 할 때는 여전히 디지털 가속기가 중심축을 맡습니다. 반면 이미 학습된 모델을 대량 보급해 최소한의 전력으로 일상 기기에서 실시간 반응을 끌어낼 때는 3차원 아날로그 칩이 활약합니다. 두 기술이 상호 약점을 메우며 결합하는 혼합형 연산 체계가 차세대 컴퓨팅의 표준 규격으로 자리 잡을 것입니다. 물리 법칙을 품고 3차원으로 진화한 반도체는 지속 가능한 머신러닝 시대를 이끄는 굳건한 디딤돌이 될 것입니다.

• 머신러닝
• 신경망모사반도체
• 아날로그반도체
• 3차원적층
• 초저전력기술
• 멤리스타