우리는 공부할 때 중요한 내용은 빨간 줄을 긋고(강화), 중요하지 않은 내용은 잊어버립니다(약화). 뇌 속의 시냅스도 똑같습니다. 그렇다면 시냅스는 도대체 ‘무엇을 기준’으로 연결을 강화하거나 약화할까요? 뇌과학자들이 밝혀낸 그 비밀의 규칙이 바로 STDP (Spike-Timing-Dependent Plasticity)입니다.
이번 글에서는 RRAM 소자를 이용하여 이 복잡한 생물학적 학습 규칙을 하드웨어로 구현하는 원리에 대해 알아보겠습니다. 이것이 바로 SNN (Spiking Neural Network)의 기초입니다.
1. 헵의 규칙(Hebbian Learning)
STDP를 이해하려면 먼저 ‘헵의 규칙(Hebb’s Rule)’을 알아야 합니다.
“Cells that fire together, wire together.” (함께 발화하는 세포들은 서로 연결된다.)
즉, 원인(Pre-synapse, 입력)과 결과(Post-synapse, 출력)가 비슷한 시간에 활동하면 뇌는 “아, 이 둘은 연관이 있구나!”라고 판단하여 가중치(weight)를 강화합니다.
STDP는 여기에 ‘시간(Timing)’이라는 정교한 개념을 더한 것입니다.
2. STDP란? : 타이밍이 전부다
STDP는 신호가 들어오는 순서, 즉 Δt(시간 차이)에 따라 시냅스 가중치를 조절합니다.
① 강화 (LTP, Long-Term Potentiation): Δt > 0
- 상황: 입력 신호(Pre)가 온 직후에 출력 신호(Post)가 발생함.
- 해석: “입력이 원인이 되어 출력이 나왔구나!” (인과관계 성립)
- 결과: 시냅스 연결을 강하게 만듭니다. (소자 저항 감소)
② 억제 (LTD, Long-Term Depression): Δt < 0
- 상황: 출력 신호(Post)가 먼저 나가고, 나중에 입력 신호(Pre)가 들어옴.
- 해석: “이 입력은 결과랑 상관없네? 뒷북이네?” (인과관계 없음)
- 결과: 시냅스 연결을 약하게 끊습니다. (소자 저항 증가)
3. RRAM으로 STDP 구현하기: 파형 겹치기 기술
RRAM은 2단자 소자입니다. 뇌처럼 복잡한 타이밍 계산기가 없습니다. 그렇다면 어떻게 ‘누가 먼저 왔는지’를 알아채고 저항을 바꿀까요? 비밀은 펄스(pulse)의 모양(Waveform Shaping)에 있습니다.
작동 원리 (Superposition)
소자 양단에 걸리는 실제 전압(Vnet)은 상부 전극 전압(Vtop)과 하부 전극 전압(Vbottom)의 차이입니다.
- 시간 차이가 적절할 때 (Pre -> Post):
- 두 펄스가 겹치면서 전압 차이가 Set Voltage (Vset)를 넘깁니다. -> 소자 저항 감소 (LTP)
- 시간 차이가 반대일 때 (Post -> Pre):
- 두 펄스가 겹치면서 전압 차이가 Reset Voltage (Vreset)를 넘깁니다. -> 소자 저항 증가 (LTD)
- 시간 차이가 너무 클 때:
- 펄스가 서로 만나지 않아 전압이 낮습니다. -> 소자 저항 변화 없음.
이 간단한 물리 법칙만으로 RRAM은 별도의 CPU 연산 없이 스스로 학습하게 됩니다.
4. 왜 중요한가? (Unsupervised Learning)
기존의 딥러닝(DNN)은 정답(Label)을 알려주고 오차를 계산해서 업데이트하는 지도 학습(Supervised Learning)입니다. 계산량이 엄청나고 전력을 많이 소비합니다.
하지만 STDP를 장착한 RRAM(SNN) 비지도 학습(Unsupervised Learning)이 가능합니다.
- 정답을 안 알려줘도, 데이터의 시간적 패턴만 보고 “자주 같이 들어오는 신호들”끼리 스스로 연결을 강화합니다.
- 이는 인간의 뇌가 아기 때 세상을 배우는 방식과 가장 유사하며, 초저전력 에지(Edge) AI 구현의 핵심 기술입니다.
5. 결론: 가장 뇌를 닮은 메모리
RRAM이 차세대 AI 소자로 불리는 진짜 이유는 단순히 아날로그 저항을 가져서가 아닙니다. 펄스의 타이밍만으로 연결 강도를 조절하는 STDP 학습 규칙을 하드웨어적으로 가장 우아하고 간단하게 구현할 수 있기 때문입니다.
RRAM 연구가 깊어질수록, 우리는 반도체를 연구하는 것인지 뇌를 연구하는 것인지 헷갈리게 될 것입니다. 그 경계에 바로 뉴로모픽 공학이 있습니다.
참고: Nanoscale Memristor Device as Synapse in Neuromorphic Systems
