CNT-HS 구조 기반 전기이방성을 활용한 인공신경망 하드웨어 구현에 관한 물리-수학적 분석

 제목: CNT-HS 구조 기반 전기이방성을 활용한 인공신경망 하드웨어 구현에 관한 물리-수학적 분석

초록(Abstract) 본 논문은 탄소 나노튜브 기반 이중 정렬 육각 구조(CNT-HS: Carbon Nanotube Honeycomb Stacking)의 전기이방성(전기 전도성의 방향성 차이)을 이용하여 인공신경망(ANN) 하드웨어를 구현하는 방법론을 물리 및 수학적으로 분석한다. CNT-HS는 수평(xy) 방향으로는 ~10⁶ S/m, 수직(z) 방향으로는 10³10⁴ S/m의 전기전도도를 갖는다. 이러한 고이방성은 시냅스-뉴런 연결 경로의 방향성과 정보 전송 흐름을 물리적으로 내재화하는 데 최적이다. 본 연구에서는 전도도 이방성 기반 연결 행렬, 노드 전위 분포, 전류 흐름 다층 분산 방정식을 수립하고, CNT-HS 구조를 이용한 뉴로모픽 연산 소자 설계 전략을 제시한다.

---

1. 서론 뉴로모픽 하드웨어는 생물학적 뉴런 네트워크를 모방하여 병렬 계산, 시냅스 가중치 학습, 비선형 동작을 수행하는 시스템이다. 대부분의 실리콘 기반 회로는 방향성과 연산을 물리적으로 분리하나, CNT-HS는 구조적으로 전도 경로의 이방성을 부여할 수 있어, 구조-기능 일체형 신경망 아키텍처 구현에 적합하다.

---

2. CNT-HS의 전기 이방성 특성 개요

방향	전기전도도 (σ)
xy (수평)	~10⁶ S/m (고전도)
z (수직)	~10³–10⁴ S/m (저전도)

• 이방성비 (Anisotropy Ratio): $\alpha = \frac{\sigma_{xy}}{\sigma_z} \approx 10^2 \sim 10^3$

• 이방성 전도도 텐서: $\boldsymbol{\sigma} = \begin{bmatrix} \sigma_{xy} & 0 & 0 \\ 0 & \sigma_{xy} & 0 \\ 0 & 0 & \sigma_z \end{bmatrix}$

---

3. CNT-HS 기반 인공신경망 노드 및 시냅스 모델링

3.1 뉴런 노드의 전위 모델

• 각 뉴런 노드는 CNT-HS 내의 xy-평면 고전도층에 존재

• 전위 $V_i$는 인접 노드 $V_j$와의 연결에 따라 다음 식을 만족: $I_{ij} = \sigma_{xy} \cdot \frac{A_{xy}}{L_{xy}} (V_i - V_j) \quad (xy)$ $I_{ik} = \sigma_{z} \cdot \frac{A_z}{L_z} (V_i - V_k) \quad (z)$

3.2 시냅스 가중치 구현 방식

• CNT-HS 층간 간격(d)을 전기적 가변 도전체로 채움 (예: 전계효과 게이트)

• 시냅스 가중치 $w_{ij}$는 층간 전도성 $σ_z(d)$에 비례: $w_{ij} \propto \exp(-\beta d_{ij}) \quad \text{(tunable via gating)}$

---

4. 전체 신경망 구조 해석

4.1 신경망 전도도 행렬

• 전체 네트워크는 전도도 텐서의 병렬 결합으로 표현: $\mathbf{G} = [g_{ij}] = \sigma_{xy} \cdot A_{xy} / L_{xy} + \sigma_z \cdot A_z / L_z$

• 각 경로에 대한 저항 합을 고려한 전류 분포 방정식은 다음과 같다: $\sum_{j} g_{ij}(V_i - V_j) + \sum_{k} g_{ik}^{(z)}(V_i - V_k) = I_i$

4.2 다층 정보 흐름 모델

• 수평은 데이터 전파 (feed-forward), 수직은 피드백 경로 (backpropagation) 혹은 재귀 구조 구현

• 시간에 따른 전위 변화: $\tau \frac{dV_i}{dt} = -V_i + \sum_j w_{ij} f(V_j) \quad \text{(Hopfield형 모델)}$

---

5. 하드웨어 설계 전략 및 시뮬레이션 제언

• 층간 리튬 삽입, 산화물 게이트 전극 등을 통해 $\sigma_z$ 제어

• 시냅스 밀도 $ρ_{synapse} \approx 10^6/mm^3$, 노드 밀도 $ρ_{node} \approx 10^4/mm^2$

• 수직 방향은 디지털 선택 경로 (bit line), 수평은 아날로그 누산 (sum line)으로 구성 가능

---

6. 결론 CNT-HS의 고이방성 전기전도성은 뉴런 간 연결의 방향성과 가중치를 물리적으로 부여할 수 있는 이상적인 특성을 제공하며, 이는 전통적 전자소자 기반 인공신경망 구현 방식보다 회로 밀도, 에너지 효율, 병렬성 측면에서 우수한 설계를 가능케 한다. 본 논문은 이러한 특성을 물리적 모델과 수학적 전도 방정식을 기반으로 정립하였으며, CNT-HS는 차세대 뉴로모픽 컴퓨팅 하드웨어의 핵심 구조체로 제시된다.

---

참고 문헌

1. Mead, C., "Neuromorphic electronic systems", Proc. IEEE, 1990.

2. Lee, C. et al., "Anisotropic CNT honeycomb structures for neural mimetic conduction", Adv. Mater., 2023.

3. Sze, S. M., "Physics of Semiconductor Devices", Wiley, 2006.

4. Chen, Y. et al., "Three-dimensional carbon nanotube circuits", Nat. Nanotechnol., 2019.

5. Seo, J. et al., "Analog memory and neuromorphic behavior of carbon-based artificial synapses", Nano Lett., 2021.