2026.09.15 후보 3 · 뉴로모픽 반도체. 위 그림은 2020년 관련 MoS₂ 트랜지스터 연구의 원본이며, 실제 소자의 광학현미경 사진과 시냅스 동작을 설명하는 모식도를 포함한다. 이번 2026년 강유전체 이중 게이트 소자나 완성된 AI 칩의 사진은 아니다. 소자 실험, 소자 특성을 반영한 신경망 계산, 제품 수준의 전력 측정을 나눠 읽는다.
#1. AI가 계산을 잘하는 것만큼, 덜 계산하는 것도 중요하다
교통 카메라가 자동차 번호판을 읽는다고 생각해 보자. 화면 전체에는 하늘과 가로수, 도로와 보행자도 들어 있지만 번호판을 읽는 순간 꼭 필요한 정보는 그중 일부다. 모든 부분을 동일한 비중으로 신경망에 보내면 불필요한 계산이 늘어날 수 있다. 먼저 필요한 부분을 골라 주고, 남은 정보를 신경망이 처리하도록 나누면 계산량을 줄일 여지가 생긴다.
9월 14일 Nature Electronics에 발표된 연구는 이 생각을 반도체 구조와 연결했다. 연구진은 MoS₂라는 얇은 반도체와 강유전체 게이트를 이용해, 설정에 따라 논리 소자·인공 뉴런·시냅스로 역할을 바꿀 수 있는 트랜지스터를 만들었다. 그리고 논리 기능을 앞단에 두어 입력 정보를 선별한 뒤 스파이킹 신경망으로 전달하는 SNN-in-logic 구조를 제안했다.[1]
핵심은 ‘뇌를 그대로 복제했다’가 아니다. 같은 계열의 소자를 여러 계산 역할에 활용하고, 필요 없는 활동을 신경망 앞에서 줄이려는 설계다. 이 아이디어가 유망하다는 사실과 완성 칩이 실제 카메라에서 그만큼 전기를 아꼈다는 주장은 구별해야 한다. 논문에는 실제 소자 측정과 그 측정값을 반영한 시스템 평가가 함께 들어 있어, 숫자마다 어느 단계에서 나온 것인지 읽는 일이 중요하다.
#2. 트랜지스터·뉴런·시냅스는 각각 무엇을 하는가
트랜지스터는 전류가 흐르는 정도를 전기 신호로 조절하는 소자다. 수도꼭지의 손잡이를 돌려 물의 흐름을 바꾸는 모습에 비유할 수 있다. 반도체에서는 게이트에 가하는 전압이 손잡이 역할을 한다. 논리 회로는 이런 전기적 상태를 이용해 참과 거짓, 켜짐과 꺼짐에 해당하는 계산을 수행한다. 이 설명은 회로 원리를 이해하기 위한 비유이며 실제 물이 흐른다는 뜻은 아니다.
인공 뉴런은 들어온 신호를 모으고 일정 조건이 되면 출력을 내보내는 역할을 맡는다. 시냅스는 뉴런 사이의 연결 강도, 즉 어떤 신호를 얼마나 크게 전달할지를 나타낸다. 한쪽이 ‘언제 반응할까’를 맡고 다른 쪽이 ‘얼마나 강하게 전달할까’를 맡는다고 생각하면 쉽다. 같은 전기 소자라도 변화가 얼마나 오래 남고 어떤 입력에 반응하는지에 따라 다른 역할에 활용할 수 있다.
SNN은 스파이킹 신경망의 약자다. 일반적인 설명에서 스파이크는 짧게 발생하는 신호 사건이다. 소리가 계속 같은 크기로 흐르는 방식보다, 정해진 순간에 종이 울리는 방식에 가깝다. 신호가 생기는 시간과 빈도, 연결 강도가 계산에 관여한다. 그래서 신경 활동에서 아이디어를 얻은 뉴로모픽 계산 방식으로 소개된다. 하지만 생물학적 뇌의 모든 기능을 가졌다는 의미는 아니다.
스파이크를 쓴다고 언제나 전력이 줄어드는 것도 아니다. 처리해야 할 입력이 커지고 뉴런 수가 늘거나 더 긴 시간 동안 계산해야 하면 에너지 부담이 커질 수 있다. 이번 논문도 복잡한 영상 문제에서 신경망 규모와 시간 창을 키우면 정확도와 함께 에너지 부담이 커지는 점을 보여준다. 따라서 SNN이라는 이름보다 실제로 얼마나 많은 활동을 어떤 조건에서 줄였는가를 보는 편이 낫다.[1]
#3. 아주 얇은 MoS₂와 두 개의 게이트가 만났다
MoS₂는 몰리브데넘과 황으로 이루어진 물질로, 이번 연구에서는 얇은 반도체 채널로 사용됐다. 채널은 전류가 흐르는 길이다. 이 길의 위쪽과 아래쪽에 서로 다른 게이트를 두어 전류와 소자 상태를 조절하는 것이 이중 게이트 구조다. 위 게이트와 아래 게이트가 단순히 같은 일을 두 번 하는 것이 아니라, 작동 조건을 더 유연하게 정하는 수단이 된다.[1]
연구진은 하프늄·지르코늄 산화물 계열의 강유전체 층, Fe-HZO를 활용했다. 강유전체는 전기적 분극 상태가 중요한 역할을 하는 물질이다. 여기서 분극은 전하 분포가 한쪽 방향으로 치우치는 성질로 이해하면 된다. 논문은 이 분극과 전하 포획의 시간적 차이를 이용해 여러 동작을 구현했다. 이름이 낯설더라도 상태가 잠깐 남는 경우와 더 오래 유지되는 경우를 다른 계산 역할에 썼다는 흐름을 기억하면 된다.
짧은 펄스에서는 입력이 쌓였다가 사라지는 동작이 인공 뉴런에 활용된다. 더 긴 펄스에서는 소자의 전도 상태를 바꾸고 그 변화를 유지해 시냅스의 연결 강도를 나타낸다. 논리 동작에서는 게이트 조건을 정해 입력의 조합에 따라 출력이 달라지는 기능을 만든다. 펄스는 짧은 시간 동안 가하는 전기 신호로, 세기뿐 아니라 길이와 간격도 중요한 조건이다.[1]
여기서 ‘재구성 가능’을 ‘트랜지스터 하나가 모든 역할을 동시에 무제한 수행한다’로 읽으면 안 된다. 같은 소자 구조를 서로 다른 설정과 구동 조건에서 다른 역할로 사용할 수 있다는 뜻이다. 책상을 식탁이나 작업대로 바꿔 쓸 수 있어도, 같은 공간에서 서로 충돌하는 모든 작업을 동시에 할 수 있는 것은 아닌 것과 비슷하다. 시스템을 만들 때는 역할 배치와 제어에 필요한 비용까지 생각해야 한다.
#4. 새 소자가 실제로 만들어졌다는 증거는 무엇인가
이 연구는 아이디어 그림만 제시한 논문이 아니다. 소자 구조와 제작된 배열의 광학현미경 사진, 단면 관찰, 전류·전압 특성, 논리 동작과 펄스 응답을 제시한다. 공개 Figure 2에는 여러 소자의 특성을 비교한 자료도 들어 있다. 따라서 ‘모든 결과가 순수한 소프트웨어 상상’이라고 평가하는 것도 맞지 않는다. 실제 측정한 소자와, 그 소자를 바탕으로 확장해 평가한 신경망의 경계를 정확히 나누는 것이 필요하다.[1]
예를 들어 논문은 대표적인 소자에서 63.8 mV/dec의 서브스레숄드 스윙을 제시하고, 배열 평균값은 82.3 mV/dec로 설명한다. 처음 읽는 사람은 단위를 외우기보다, 전류를 크게 변화시키기 위해 게이트 전압을 얼마나 움직여야 하는지와 관련된 스위칭 특성으로 이해해도 된다. 대표값과 평균값은 다르다. 가장 좋은 한 소자의 수치를 모든 소자의 성능처럼 옮기면 제조 편차에 대한 인상을 왜곡한다.[1]
또 논문에 등장하는 BEOL-compatible은 기존 반도체의 후공정 배선 단계와 연결할 수 있는 제작 방향을 뜻한다. 하지만 이 표현만으로 대규모 생산 라인에서 수율과 신뢰성 인증이 모두 끝났다고 결론 내릴 수는 없다. 제조 조건이 양립할 가능성, 실제 시험 구조의 제작, 오랜 기간 안정적으로 생산하는 능력은 서로 다른 단계다. 연구의 장점을 인정하면서도 제품화의 남은 질문을 지울 필요는 없다.
글 맨 앞의 배경 그림에는 2020년 연구에서 만든 MoS₂ 트랜지스터의 현미경 사진이 포함돼 있다. 작은 금속 단자와 채널을 통해 이 분야가 어떤 물체를 다루는지 볼 수 있다. 다만 그 연구는 도핑된 MoS₂와 전하 포획을 이용한 구조이며, 이번 논문의 강유전체 이중 게이트 구조와 같지 않다. 사진을 비슷한 기술의 배경 설명으로 쓰는 것과 새로운 소자의 증거로 쓰는 것은 구분한다.[2]
#5. 신호가 쌓이고 잊히는 과정을 어떻게 계산에 쓰나
논문에서 구현한 뉴런의 핵심 동작은 누설 적분 발화, LIF라고 불린다. 컵에 물방울이 들어오는데 바닥의 작은 구멍으로 조금씩 빠져나가는 상황을 생각해 보자. 물방울이 빠르게 이어지면 수위가 올라가고, 너무 드물게 들어오면 수위가 충분히 쌓이지 않는다. 일정 높이에 도달했을 때만 종을 울리도록 하면 입력의 세기와 시간 간격에 반응하는 장치가 된다.
이 비유에서 물의 수위에 해당하는 것이 소자의 전기적 상태이고, 종을 울리는 조건이 발화 임계값이다. 연구진은 입력 펄스 사이의 간격이 바뀌면 누적 속도가 달라지고, 약하거나 드문 입력은 충분한 반응으로 이어지지 않는 동작을 측정했다. 자극을 제거한 뒤 스스로 초기 상태로 돌아가 다시 반응하는 특성도 제시한다. 이것은 신호를 선택적으로 누적하는 인공 뉴런의 동작 시범이다.[1]
시냅스 역할에서는 전도도를 여러 단계로 조절하는 것이 중요하다. 연결 강도를 켜짐과 꺼짐 두 가지만으로 나타내는 대신 여러 값으로 표현하면 가중치를 더 세밀하게 둘 수 있다. 논문은 64개 저항 상태와 10,000초 동안의 상태 유지 측정을 제시한다. 그러나 10,000초는 몇 시간 규모의 관찰이지 몇 년 동안의 제품 수명을 입증한 자료가 아니다. 측정한 시간 범위를 늘려 말하지 않아야 한다.[1]
위 2020년 배경 그림은 자극의 크기와 길이에 따라 전도도의 시간 변화가 달라지는 모습을 보여준다. 처음에는 여러 색의 선을 ‘어느 색이 가장 좋다’고 읽지 말고, 자극 뒤 상태가 얼마나 크게 바뀌고 얼마나 남는지부터 보면 된다. 이 그림의 전압 조건과 시간축은 2020년 소자의 조건이며, 이번 2026년 논문의 64단계와 유지 시간 측정값을 대신하는 그림은 아니다.[2]
뉴런과 시냅스가 모두 신경계에서 가져온 이름이지만, 전기 소자가 인간처럼 기억하거나 생각한다는 결론으로 넘어가지는 않는다. 연구자는 특정한 계산 기능을 물리적 특성으로 구현하려는 것이다. 입력 누적, 임계값 반응, 가중치 유지처럼 어떤 기능을 모사했는지 구체적으로 말할수록 기술의 성과가 더 선명하게 드러난다.
#6. 숫자 인식 정확도는 어느 단계에서 나온 값인가
연구진은 측정한 뉴런·시냅스 특성을 반영해 SpikingJelly 기반 신경망을 평가했다. 손글씨 숫자 데이터인 MNIST에서는 784–128–10 구조를 사용해 50회 학습 뒤 95.9% 정확도를 보고했다. 실제 거리의 숫자 영상인 SVHN에서는 더 큰 다섯 층 구조와 더 긴 시간 창을 사용해 89%에 도달했고, DVS128 Gesture에서는 89.9%를 제시했다.[1]
이 수치들을 그대로 나란히 놓고 어느 데이터가 더 쉽다고 단정할 수는 없다. 입력의 형태, 신경망 규모, 시간 처리 방식과 평가 조건이 다르기 때문이다. 여기서 핵심은 복잡한 입력을 처리하려면 더 많은 자원이 필요해진다는 것이다. 같은 방에서 같은 시험지를 푼 점수만 비교하는 상황이 아니라, 시험 종류와 준비 시간이 함께 바뀐 비교라고 생각하면 된다.
| 증거의 층위 | 논문이 제시한 내용 | 그대로 바꾸면 안 되는 주장 |
|---|---|---|
| 소자 실험 | 전류 특성, 논리 기능, 펄스 응답과 상태 유지 | 모든 대면적 칩의 편차와 수명이 검증됐다 |
| 소자 특성 기반 신경망 평가 | 측정 특성을 반영한 MNIST·SVHN·Gesture 결과 | 모든 신경망을 완성된 실물 칩에서 실행했다 |
| 구조별 에너지 평가 | 입력 선별과 자원 배치에 따른 에너지 변화 | 카메라부터 출력까지 전체 제품의 소비전력을 직접 측정했다 |
시뮬레이션이라는 이유만으로 두 번째·세 번째 층의 가치가 사라지는 것은 아니다. 실제 소자의 특성을 반영하면 이상적인 소자만 가정했을 때보다 현실적인 질문을 할 수 있다. 다만 모델에 포함되지 않은 주변 회로, 데이터 이동, 제어 비용까지 저절로 검증되는 것은 아니다. 어떤 부분을 측정했고 어떤 부분을 계산했는지 구분해야 이후의 실물 구현과 공정하게 비교할 수 있다.
반대로 그림 제목에 ‘physical implementation’이라는 표현이 있다고 해서 시스템의 모든 결과를 실물 측정으로 해석해서도 안 된다. 본문이 사용한 프레임워크와 입력 크기, 소자 보정 방법, 에너지 산정 절차를 함께 읽어야 한다. 이번 글에서는 소자가 실제 제작됐다는 점을 인정하면서도, 정확도와 에너지 수치의 평가 경로를 완성 칩 실측과 혼동하지 않는다.[1]
#7. 앞단의 논리가 무엇을 얼마나 덜 보내는가
이번 구조에서 논리 회로는 신경망에 보낼 정보를 먼저 선별하는 역할을 맡는다. 넓은 영상 중 차량을 찾고, 더 좁은 영역에서 번호판을 읽는 식으로 과제에 필요한 정보와 계산 자원을 대응시키는 구상이다. 중요한 것은 단순히 입력 파일의 크기를 줄이는 것이 아니라, 필요한 신호를 남기면서 불필요한 뉴런·시냅스 활동을 줄이는 방향으로 구조를 짰다는 점이다.[1]
하지만 정보 선별에는 대가가 있다. 필요한 특징까지 제거하면 정확도가 떨어질 수 있다. 논문의 MNIST 예에서 28×28 입력을 20×20으로 줄일 때의 정확도 변화와, 더 작은 16×16에서 94.4%가 된 결과는 이 균형을 보여준다. 더 작게 만든다는 사실만으로 더 좋은 설계가 되는 것은 아니다. 남은 정보로 과제에 필요한 구분을 유지하는지 확인해야 한다.[1]
에너지 절감도 전체 범위를 봐야 한다. 이해를 위한 가상의 장치에서 신경망 계산에 100의 에너지가 들고, 앞단 선별 덕분에 이를 60으로 줄였다고 하자. 선별 회로와 제어에 추가로 30이 든다면 전체는 90이다. 신경망 부분에서는 40을 줄였지만 장치 전체의 절감은 10이다. 이 숫자는 논문 수치가 아니라 부분 절감과 전체 절감이 다르다는 점을 설명하는 예시다.
또 선별 기준이 과제와 함께 바뀌는 상황도 생각해야 한다. 번호판 인식에 필요 없는 영역이 보행자 안전 감지에는 중요할 수 있다. 한 과제에서 버려도 되는 정보가 모든 과제에서 버려도 되는 정보는 아니다. 다양한 입력에 적응할 수 있는 재구성 능력은 매력적이지만, 무엇을 버릴지 결정하는 제어와 오류 관리까지 설계해야 제품의 실제 장점을 판단할 수 있다.
#8. 좋은 후보인 이유와 앞으로 확인할 자료
이 논문의 장점은 새로운 재료의 특성과 신경망 구조의 문제를 연결했다는 점이다. 소자 하나의 전기적 수치만 높이는 데서 멈추지 않고, 입력이 복잡해질 때 계산 활동이 늘어나는 문제를 앞단 논리와 역할 재구성으로 다루려 했다. 엣지 장치처럼 계산 자원과 전력에 제약이 있는 환경을 생각하게 만드는 방향이다. 다만 특정 제품의 배터리 수명 증가까지 입증한 것은 아니다.[1]
앞으로 먼저 확인할 것은 더 큰 배열에서의 균일성, 반복 설정 뒤 특성 변화, 주변 회로를 포함한 실제 에너지다. 이는 이번 연구가 모두 빠뜨렸다고 단정하는 목록이 아니라 연구 결과를 제품 수준으로 연결할 때 필요한 질문이다. 이미 측정한 항목은 측정 범위를, 아직 공개되지 않은 항목은 남은 불확실성을 확인하면 된다. 가장 좋은 한 소자의 그래프만으로 전체 시스템의 장기 신뢰성을 대신할 수는 없다.
자료 접근성도 비교할 필요가 있다. 이 논문은 데이터와 코드를 저자에게 요청하면 제공한다고 안내한다. 누구나 즉시 내려받을 수 있는 공개 저장소가 제공됐다는 뜻은 아니다. 오늘의 다른 후보들과 재현 가능성을 비교할 때도 이 차이를 남겨야 한다. 이 글은 저자에게 자료를 받아 신경망 평가를 독립 실행한 결과가 아니라 공개 본문·방법·그림 설명을 검토한 해설이다.[1]
편집안의 92점은 공식 학술 평가가 아닌 오늘 후보 선정 점수다. 논문이 정식 게재됐다는 점과 소자 실험이 있다는 점은 강점이고, 시스템 평가를 완성 칩 실측처럼 과장하면 안 된다는 점은 한계다. 한 문장으로 정리하면 계산하는 소자를 더 영리하게 쓰면서, 신경망이 애초에 처리하지 않아도 되는 정보를 줄이려는 연구다. ‘뇌를 닮았다’는 표어보다 무엇을 덜 계산했고 그 대가가 무엇인지가 더 중요한 평가 기준이다.
#9. 출처와 확인 범위
[1] A spiking neural network-in-logic architecture based on reconfigurable molybdenum disulfide dual-gate transistors with ferroelectric gating, Nature Electronics, 2026-09-14. 공개 본문·소자 특성·신경망 구현 설명·에너지 평가·방법·데이터 및 코드 제공 조건을 확인했다. 모든 보충 실험과 원시 자료를 독립 재현한 것은 아니다. 이번 논문 Figure 1–5는 원문에서 직접 확인할 수 있다.
[2] Bhattacharjee et al., Emulating synaptic response in n- and p-channel MoS₂ transistors by utilizing charge trapping dynamics, Scientific Reports, 2020. 이 글의 두 배경 그림 출처. CC BY 4.0, 비율을 유지한 크기 조정·WebP 변환만 했다. 2026년 소자와는 다른 구조·조건의 연구다.
함께 읽기: 오늘의 Top 1 나노포어 센서 · 후보 2 APOE별 알츠하이머 유전지도.