iCVD 를 이용한 유-무기 혼성 고분자의 2/3 단 자 메모리의 개발 및 뉴로모픽 응용

국문 초록 (Abstract)

생체 신호, 특히 신경 신호(neurological signal)는 의료·보안·인터페이스 기 술에서 핵심적이며, 이러한 신호의 복잡성을 처리하기 위해서는 높은 연결성 과 성능을 갖춘 메모리 시스템이 필요하다. 더불어, 엣지 환경에서 요구되는 고해상도 이미지 분석 및 인지 연산을 CIM(Compute-in-Memory) 방식으로 구현하기 위해서는 연산과 저장 기능이 결합된 통합형 메모리 소자 구조가 필수적이며, 이를 달성하기 위한 접근으로 3 단자 Charge trap memory(CTM) 소자나 1Transistor-1RRAM(1T-1R)과 같은 구조가 주목받고 있다. 본 연구에 서는 iCVD 공정을 통해 나노미터(≤10 nm) 두께의 조성이 조절 가능한 유·무 기 하이브리드 고분자를 합성하여 전하 트랩 메모리 특성을 가진 3 단자 시 냅스 소자와 BEOL 에서 동작 가능한 저전력 RRAM 을 제작하였다. iCVD 공 정은 유·무기 재료의 장점을 동시에 가지는 고분자를 초박막(≤10nm) 두께로 저온에서 합성할 수 있는 기술이다. 3 단자 시냅스 소자에서는 기계적 유연성과 전기적 안정성을 동시에 구현할 수 있는 박막층을 뉴로모픽 응용에 최적화된 형태로 설계하였다. 이때, 높은 on/off ratio 와 우수한 선형성을 확보한 장기 기억 메모리 특성과 신뢰성 평 가를 통해 이미지 처리 및 인식에서 93% 이상의 높은 정확도를 확보하였으 며, ECG 신호 분류에서도 94%의 정확도를 달성하였다. 2 단자 소자에서는 Al 기반의 유·무기 하이브리드 유전체를 통해 CMOS 공정 과 호환 가능한 BEOL 용 RRAM 소자를 개발하였다. 0.18 μm 스케일의 트랜 지스터와 통합된 RRAM 소자에서 우수한 메모리 특성과 멀티레벨 특성이 구 현되었으며 높은 신뢰성도 확보되었다. 더불어, CNN 기반 고해상도 이미지 분류에서 높은 정확도를 달성하였다. 본 연구에서 개발된 유·무기 하이브리 드 기반 3 단자 시냅스 소자와 1T-1R 구조 RRAM 은 고집적·저전력 특성을 바탕으로 뉴로모픽 연산, 생체 신호 처리, 고해상도 이미지 인식 등 차세대 인공지능 응용을 구현할 수 있는 핵심 메모리 소자 플랫폼으로 활용될 수 있음을 시사한다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 1
• 1.2 선행 연구 한계점 3
• 1.3 연구 도전과제 및 목표 4
• Ⅱ. 이론적 배경 7
• 2.1 Neuromorophic computing 7
• 2.2 Charge Trap Memory (CTM) 9
• 2.3 1 Transistor – 1 RRAM (1T-1R) 11
• 2.4 initiated Chemical Vapor Deposition (iCVD) 15
• 2.5 Multi-modal Learning 18
• Ⅲ. 연구내용 및 결과 23
• 3.1 iCVD 공정을 통한 멤리스터, CTM 증착 23
• 3.2 CTM 과 맴리스터 활성층의 화학적 특성 분석 26
• 3.2.1 XPS (X-ray Photoelectron Spectroscopy) 26
• 3.2.2 FTIR (Fourier-Transform Infrared Spectroscopy) 27
• 3.2.3 UPS & REELS 28
• 3.2.4 TEM (Transmission Electron Microscope) 29
• 3.3 Band-Engineered CTM(BE-CTM) 전기적&신뢰성 분석 30
• 3.3.1 Memory Characteristic 30
• 3.3.2 Reliability 31
• 3.3.3 Trap analysis 32
• 3.3.4 ISPP&ISPE Analog weight update 35
• 3.3.5 ISWP&ISWE Analog weight update 37
• 3.4 1T-1R 전기적&신뢰성 분석 39
• 3.4.1 Transistor Analysis 39
• 3.4.2 Memory Characteristic & Reliability 41
• 3.4.3 Conduction mechanism analysis 44
• 3.4.4 Analog properties 45
• 3.5 Neuromorphic Application 48
• 3.5.1 MNIST handwriting (BE-CTM) 48
• 3.5.2 Image recognition (BE-CTM) 50
• 3.5.3 ECG signal (BE-CTM) 52
• 3.5.4 High-resolution CNN (1T-1R) 54
• Ⅳ. 결 론 56
• Ⅴ. 실험 방법 57
• 참고문헌 61
• Abstract 73