Cambridge 대학 연구팀이 뇌의 신경 구조를 모방한 나노전자 장치를 개발했다. 하프늄 산화물(hafnium oxide)을 개선한 이 소자는 데이터 연산과 저장을 동시에 처리해 기존 칩 대비 에너지 사용량을 70%까지 줄일 수 있다는 게 핵심이다. 이 연구 결과는 저명 학술지 'Science Advances'에 실렸으며, 지난 4월 23일 Cambridge 대학이 공개했다.

AI 칩 에너지 문제의 구조적 원인

현대 AI는 전통적 컴퓨터 칩을 기반으로 하는데, 이들은 메모리와 처리 장치 사이에서 끊임없이 데이터를 이동시키면서 막대한 전력을 소비한다. 실제로 2026년 AI 관련 데이터센터는 약 92기가와트(GW)의 추가 전력을 필요로 할 것으로 예상되고 있으며, 더 이상 칩이 아니라 전기가 AI 성장의 병목이 되고 있다.

뉴로모르픽 컴퓨팅은 이런 구조적 문제를 근본적으로 다시 생각한다. 뇌처럼 메모리와 처리를 한 곳에 결합함으로써 에너지 소비를 최대 70% 절감할 수 있을 뿐 아니라, 시스템이 자연스럽게 학습하고 적응할 수 있게 된다는 게 이 기술의 제안이다.

기존 메모리스터의 한계, Cambridge가 푼 솔루션

연구팀이 개발한 메모리스터는 뉴런의 연결과 신호 전달 방식을 복제하도록 설계됐다. 문제는 기존 메모리스터들이었다. 대부분의 메모리스터는 금속 산화물 내에 미세한 전도성 필라멘트(filament)를 형성해 작동했는데, 이 방식은 예측 불가능한 동작과 높은 전압 요구 같은 치명적 한계를 안고 있었다.

Cambridge 연구팀은 다른 접근을 택했다. 하프늄 기반 박막에 스트론튬과 타이타늄을 첨가하고 2단계 성장 프로세스를 적용해, 층 사이에 'p-n 접합'이라는 작은 전자 게이트를 만들었다. 필라멘트 형성 대신 이 접합 부분에서 저항을 조절하는 방식으로 더욱 안정적인 스위칭을 구현한 것이다.

연구 주도자인 Babak Bakhit 박사(Cambridge 재료과학 및 금속학과)는 "필라멘트 방식의 소자는 무작위적 동작 때문에 한계가 있었다"며 "우리 소자는 접합 부분에서 스위칭이 일어나기 때문에 사이클마다, 그리고 소자마다 뛰어난 균일성을 보인다"고 설명했다.

백만 배 낮은 전류, 뇌처럼 배우는 칩

실험 결과 새 소자는 기존 산화물 기반 메모리스터 대비 스위칭 전류가 약 백만 배 낮으면서도 수백 개의 안정적인 저항 수준을 달성했다. 테스트에서 수만 번의 스위칭 사이클을 견디며 저장된 상태를 약 하루간 유지했으며, 신경 신호 타이밍의 강약을 조절하는 생물학적 학습 방식(스파이크 타이밍 의존 소성, STDP)도 구현했다.

이는 단순히 비트를 저장하는 것이 아니라 '학습하고 적응하는' 하드웨어를 만드는 데 필수적인 특성이다. Bakhit 박사는 "이런 속성들이야말로 단순 메모리가 아니라 학습하고 적응하는 하드웨어를 원할 때 필요한 것"이라고 강조했다.

상용화의 벽: 700도 공정의 난제

다만 상용화까지는 극복할 산이 남아 있다. 현재 제조 공정이 섭씨 700도 이상의 고온에서만 가능하다. 이는 반도체 산업의 표준 공정보다 훨씬 높은 온도다.

Bakhit 박사는 "이것이 현재 소자 제조 공정의 주요 도전"이라며 "표준 산업 프로세스와 더 호환성 있게 온도를 낮추는 방법을 연구 중"이라고 밝혔다. "칩에 이런 소자들을 올리고 실용적 칩 규모 시스템으로 통합하려면 온도 문제를 해결해야 한다"고 덧붙였다.

3년의 실패가 만든 돌파구

이번 성과는 오랜 시행착오의 결과다. Bakhit 박사는 "거의 3년을 이것에 집중했고, 수많은 실패가 있었다"고 회상했다. 지난 11월 말 제조 공정 개선(산화 순서 변경)으로 처음 진정한 좋은 결과를 얻었다고 한다.

"아직 초기 단계지만, 온도 문제를 해결할 수 있다면 에너지 소비가 훨씬 낮으면서 동시에 소자 성능도 매우 유망하기 때문에 게임 체인저가 될 수 있다"고 그는 전망했다. 스웨덴 연구위원회(VR), 영국왕립공학아카데미, 영국연구혁신청(UKRI) 등이 연구를 지원했으며, Cambridge Enterprise를 통해 특허 출원을 완료했다.

AI 칩 경쟁의 새로운 축선

이 기술이 업계에 던지는 신호는 명확하다. 현재 AI 칩 경쟁은 GPU 성능과 NVIDIA 독점 극복에 초점이 맞춰져 있다. 하지만 Cambridge 연구는 다른 벡터를 제시한다. 메모리와 연산을 분리하는 구조 자체를 포기하고, 뇌처럼 통합하는 근본적 전환이다.

이미 업계는 전력이 선택이 아니라 제약 조건임을 인식하고 있다. 칩 성능 경쟁에서 에너지 효율 경쟁으로의 전환이 가속화하는 가운데, 뉴로모르픽 칩은 엣지 AI(기기에서 직접 실행)와 데이터센터 비용 구조에 근본적 변화를 불러올 가능성을 제시한다.

온도 문제만 풀리면, 뉴로모르픽 칩은 단순한 연구 발견에서 산업 혁신으로 거듭날 가능성이 크다.