#한 문장 결론
이산 푸리에 변환(DFT)은 시간 신호의 표본을 주파수 성분으로 바꾸는 계산이다. 고속 푸리에 변환(FFT)은 같은 DFT를 더 작은 단계로 나누어 계산하는 알고리즘이다. SONOS는 실리콘·산화막·질화막·산화막·실리콘 적층을 이용해 전하를 저장하는 비휘발성 플래시 메모리다. 이 연구는 SONOS 메모리 배열에서 FFT 단계를 수행해, 한 배열에 직접 담기 어려운 큰 변환을 처리했다. 실제 제작 배열에서 최대 65,536점 FFT를 시연했고 1D 음성과 2D 영상 변환도 측정했다. 다만 큰 응용의 정확도·전력·면적 결과는 동일한 칩에서 완성 제품 조건으로 잰 값이 아니라 검증된 오차 모델과 설계 코어의 시뮬레이션이다.
이 기술 해설은 공개 arXiv v3와 출판사 보충자료를 바탕으로 하며, 최종 출판본의 음성 실험 조건과 핵심 수식을 추가 대조했다.
#파형을 주파수로 바꾸는 일
마이크와 센서는 시간에 따라 달라지는 신호를 기록한다. 소리라면 공기의 압력이 표본마다 달라지고, 영상이라면 위치마다 밝기가 달라진다. 신호를 주파수 성분으로 옮기면 어떤 빠르기의 진동이 얼마나 들어 있는지 볼 수 있다. DFT는 음성 인식, 레이더, 통신처럼 시간 신호에서 구조를 찾는 계산의 앞단에 자주 놓인다.
그림 1은 N=64인 실수 합성 신호 x[n]=0.7 sin(2π·4n/64)+0.4 sin(2π·11n/64)의 설명용 예다. 위쪽은 표본, 아래쪽은 실수 입력에서 양의 주파수만 보인 단측 DFT 크기(|Xₖ|, k=0…32)를 최댓값 기준으로 표시했다. 봉우리 k=4와 11은 각각 관찰 창 안의 4회·11회 진동이다. 논문 측정 데이터는 아니다.
그림의 글자가 작다면 원본 크게 보기 · 새 탭 DFT는 입력 표본에 복소수 가중치를 곱해 더한다. 복소수는 실수부와 허수부를 함께 적는 수로, 크기와 위상을 한 번에 다룰 수 있게 한다. 여기서 복소 가중치는 주파수마다 다른 회전량을 뜻한다. 결과 X의 k번째 값은 관찰 창에 k주기가 놓이는 성분이다. N은 표본 수이고 n과 k는 표본·주파수의 번호다. 원문 식은 정규화하지 않으므로 x가 전압이면 X도 전압 단위이며, 평균 진폭을 말할 때에는 별도로 N으로 나눈다.
원문 식 1 · 표본을 주파수 성분으로 합산 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
이 식은 각 표본 xn에 주파수 k에 맞는 복소 회전량을 곱해 모두 더한다. i는 i²=−1인 허수 단위이고, 지수의 각도 −2πnk/N은 무차원 라디안이므로 e−i2πnk/N는 크기 1인 복소 회전수다. xn과 Xk는 표본 진폭과 같은 종류·단위이며, 원문 식에는 1/N 정규화가 없다. 식 자체는 논문에 적힌 DFT 정의이며, 이번 연구의 새 알고리즘은 다음 식들처럼 이를 잘게 나누어 배열에 올리는 데 있다.
표본에서 주파수까지 계산해 보자. 초당 8,000번 표본을 받고, 2,000 Hz 코사인을 8개 기록한다고 하자. 표본 사이 간격은 1/8,000초이고 전체 기록은 1 ms다. 이 구간에는 코사인 두 주기가 들어간다. 표본은 x[n]=cos(2π·2000n/8000)=[1, 0, −1, 0, 1, 0, −1, 0]이다. 8점 DFT의 주파수 간격은 fₛ/N=8,000/8=1,000 Hz이므로 k=2가 2,000 Hz를 나타낸다. 식 1에서 k=2일 때, 0이 아닌 표본 n=0,2,4,6은 각각 복소 회전 가중치와 곱해 +1이 된다. 나머지 네 표본 값은 0이므로 X₂=1+1+1+1=4다. 실수 신호라 반대편 k=6에도 켤레 성분 4가 나타난다. 이 정규화하지 않은 DFT에서 코사인 진폭은 2|X₂|/N=2·4/8=1이다. 일반적으로 주파수 눈금은 fₖ=k fₛ/N; 이 예의 Nyquist 주파수는 fₛ/2=4,000 Hz다. 이는 설명용 합성 입력이며 논문 데이터가 아니다.
FFT는 위 DFT 결과를 다른 값으로 바꾸는 것이 아니라, 반복되는 계산을 더 적은 단계로 구하는 방법이다. Cooley와 Tukey의 고전 논문은 이 분할 계산법을 체계화했다. DFT의 표본·주파수 눈금을 단계별로 더 읽고 싶다면 Linford와 Gerashchenko가 스펙트럼 잡음 제거를 맥락으로 쓴 2026년 튜토리얼도 참고할 수 있다.
실제 논문에서는 512점 단시간 푸리에 변환(STFT)과 65,536점 전체 파형 변환을 따로 시험했다.
#디지털 FFT를 아날로그 배열에 옮기기
N개 표본을 직접 변환하면 복소 DFT 행렬의 크기는 N×N이다. 하나의 메모리 배열이 이 행렬을 감당할 수 있으면 행렬–벡터곱(MVM) 한 번으로 계산할 수 있다. 하지만 행렬이 배열의 행·열 한도를 넘으면 여러 배열이 나눠 처리하고, 각 부분 결과를 디지털로 읽어 더해야 한다. 논문은 이때 ADC(아날로그-디지털 변환기) 변환과 중간 결과 이동이 비용을 키운다고 설명한다. ADC는 배열에서 나온 전류를 숫자로 바꾸는 회로다.
FFT는 DFT 행렬의 반복 구조를 이용해 큰 변환을 작은 DFT 여러 단계로 분해한다. Cooley–Tukey 방식에서 N=N₁N₂로 놓고 표본 순서를 바꾸면, N점 DFT를 N₁점과 N₂점 DFT, 그리고 twiddle factor라는 복소 회전 곱으로 표현할 수 있다. 원문 식 2는 인덱스가 포함된 합이고 식 3은 같은 계산을 행렬로 쓴 것이다.
원문 식 2 · 표본 순서를 바꾼 Cooley–Tukey 분해 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
N=N₁N₂이며 n₁=0,…,N₁−1, n₂=0,…,N₂−1이다. 입력과 출력의 재배열은 x̃n₁,n₂=xN₂n₁+n₂, X̃k₂,k₁=Xk₂+N₁k₁이고 k₂=0,…,N₁−1, k₁=0,…,N₂−1이다. ωM=e−i2π/M는 무차원 M차 단위근이다. 각 합은 한 축의 작은 DFT이며, 중간의 ωN 항이 두 단계를 잇는다. 입력과 출력은 복소 진폭이라 입력에 단위가 있다면 X에도 같은 진폭 단위가 남는다.
원문 식 3 · twiddle 행렬을 포함한 행렬 표현 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
x̃와 X̃는 각각 N₁×N₂ 배열이고 WN₁은 N₁×N₁, WN₂는 N₂×N₂ DFT 행렬이다. T도 N₁×N₂이며 행·열 지수는 m=0,…,N₁−1, n=0,…,N₂−1이고 Tm,n=ωNmn이다. WN₁x̃와 T의 원소별 곱은 N₁×N₂, 전치 뒤는 N₂×N₁이므로 WN₂를 왼쪽에서 곱하고 마지막에 다시 전치한다. 이 차원 검산으로 식 3의 괄호와 전치 순서를 읽을 수 있다. W와 T는 무차원, 결과 진폭은 입력 진폭과 같은 단위를 갖는다. 주 실험의 단계 사이 twiddle 곱은 디지털 FP32였다. SI의 folded-twiddle 시험은 별도 변형이다.
이 분해는 곱셈 수만 줄이는 알고리즘 트릭에서 끝나지 않는다. 어디까지 큰 DFT를 한 번에 배열에 맞추고 어디서 나눌지 결정해야 한다. 논문은 한 배열이 처리할 수 있는 최대 DFT 크기를 K로 둔다. 저자는 배열 한계와 변환 크기를 함께 고려해 분할 radix를 선택하며, 대략적인 분기점 N≈2K를 제시한다. 이는 모든 배열·회로에 공통인 측정 최적점이 아니다. 에너지와 면적도 별도 비용식으로 읽어야 한다.
#2차원 영상은 두 축을 나눠 계산한다
한 장의 영상은 행과 열, 두 방향의 표본을 가진다. 2차원 DFT는 먼저 한 축을 변환하고 결과의 다른 축을 변환한다. 논문 식 4가 이 분리 가능한 형태를 적는다. 이미지에 쓰인 vector-radix FFT는 두 축을 동시에 여러 하위 배열로 나눈 뒤, 재배열하고 다음 단계로 넘긴다.
원문 식 4 · 행과 열을 잇는 2차원 DFT 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
x와 X는 각각 M×N 입력 영상과 변환 결과다. WM, WN는 각 축에 적용하는 DFT 행렬이다. 전치 기호는 먼저 계산한 축을 바꾸어 다음 축을 계산하게 한다. 이 식은 separable한 2D DFT를 나타내고, vector-radix의 세부 배열 배치는 Methods 식 5–6에 적혀 있다.
Methods 식 5 · 2D 하위 블록의 첫 vector-radix 단계 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
논문은 M=PR, N=QS인 입력 x를 R×S×P×Q 배열 x̃로 다시 배열하며, x̃r,s(p,q)=xr+Rp,s+Sq다. 범위는 r=0,…,R−1, s=0,…,S−1, p=0,…,P−1, q=0,…,Q−1이다. (r,s)는 submatrix 위치, (p,q)는 그 안의 위치이고 고정된 (r,s)의 블록은 P×Q다. 각 블록에서 두 개의 작은 DFT를 수행하고 블록마다 달라지는 twiddle 행렬 Tr,s를 곱해 같은 R×S×P×Q 크기의 중간 배열 y를 만든다. 이 공식은 방법 설명이며 별도 성능 수치를 뜻하지 않는다.
Methods 식 6 · 축을 바꾼 두 번째 단계 식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기
첫 단계 뒤에는 (p,q)와 (r,s) 축 쌍을 교환해 ỹ의 크기를 P×Q×R×S로 바꾼다. 고정된 (p,q)에서 ỹp,q는 R×S 블록이고, 각 지수는 위와 같은 범위에 있다. 식 6은 이 블록에 WR, WS를 적용한다. 마지막에는 Xq+Qs,p+Pr=X̃p,q(r,s)로 4차원 결과를 2차원 주파수 배열에 다시 놓는다. 본문은 이를 “vector-radix FFT”로 요약하고 Methods가 두 단계의 수학적 정의를 제공한다.
#어떤 결과가 실제 측정인가
논문은 40 nm 공정으로 만든 SONOS 인메모리 칩을 사용했다. 셀의 conductance(전기가 얼마나 잘 통하는지를 나타내는 값)에 복소 가중치의 실수·허수 성분을 차동 방식으로 저장하고, 입력은 bit-serial 전압으로 넣는다. 배열에서 합쳐진 전류는 on-chip 12-bit ADC로 읽는다. DFT-16에는 2,048개, DFT-256에는 최대 524,288개 소자를 사용했다. 하나의 실험에서 큰 전체 변환을 한 번에 저장한 것이 아니라 작은 DFT 단계를 반복했다.
그림의 글자가 작다면 원본 크게 보기 · 새 탭 FP32는 32비트 부동소수점 계산이다. PSNR(최대 신호 대 잡음비)은 기준 배열과 비교 배열의 원소별 오차를 하나의 dB 값으로 요약한다. 선택한 피크 기준에 대해 값이 높을수록 오차가 작다는 뜻이지만, 이 숫자 하나가 모든 주파수 원소의 오차가 작거나 청감상 차이가 없음을 보장하지는 않는다. SSIM은 영상 구조 유사도라 높을수록 가깝고, WER은 단어 오류율이라 낮을수록 좋다.
음성 실험의 PSNR은 Flickr8k Audio Caption에서 가져온 약 4초 음성 한 개(16 kHz, 65,536 표본으로 패딩)를 대상으로 한다. 저자들은 Hamming 창 512 표본, 128 표본 간격의 STFT로 만든 아날로그 스펙트로그램을 CPU FP32 스펙트로그램과 비교해 원소별 오차 PSNR 55.97 dB를 보고했다. 따라서 이는 이 입력·창·정밀도·비교 방식의 결과이지, 음성 전반이나 각 주파수 칸마다 같은 정확도가 보장된다는 뜻은 아니다. 값만으로 청감 품질, 지연 시간, 전력, 혹은 앱에서 재생되는 결과를 평가할 수도 없다. 파형 전체의 65,536점 변환은 256점 아날로그 DFT들(N₁=N₂=256)로 분해했고, 주파수 간격은 0.244 Hz, spectrum PSNR은 41.01 dB였다. arXiv v2 §4는 같은 두 지표를 각각 56.99 dB와 41.10 dB로 보고했다. 최종 출판본도 Figure 3 본문에서 각각 55.97 dB와 41.01 dB를 보고한다. 아래 표는 arXiv v3 기준이다. 논문은 두 PSNR에 실수 입력의 양·음 주파수 복소 켤레쌍을 평균한 뒤 크기를 취한 스펙트럼 |(X_k + X*_{-k})/2|을 썼다고 SI §7.5에서 밝힌다. 개별 크기 |X_k|, |X_{-k}|를 구해 평균한 것은 아니다. “이전보다 500배 이상”은 저자들이 기존 아날로그 DFT 시연과 비교해 주장한 크기다. Nature 초록에는 이 비교가 없고, arXiv v3 초록과 본문에는 저자 비교로 적혀 있다.
저자 SI Section 14의 에너지 점근식은 직접 MVM에서 , 아날로그 FFT에서 다. 배열 한계 K를 고정하면 직접 MVM의 식은 로 단순화된다. 이는 특정 칩의 전력 그래프가 아니라 출력 변환 에너지와 버퍼 비용을 두는 가정 아래 얻은 점근식이며, 면적은 저장 소자와 주변 회로 중 무엇이 지배적인지에 따라 별도 식으로 제시된다.
256×256 RGB 위성 영상 변환도 실험했다. 아날로그 vector-radix FFT 뒤에 inverse transform을 이어 붙여 영상을 복원했다. 연구진은 큰 전류가 모이는 저주파 성분이 배선의 IR drop으로 더 약해지면서 경계가 상대적으로 선명해지는 효과를 설명했다. 소자 전도도 오차와 회로 잡음은 영상에 미세한 입자처럼 거친 느낌을 더했다. 연구진은 밝기 손실을 보정하기 위해 Parseval 정리를 이용해 영상 전체에 하나의 스칼라를 곱했다. 이 보정은 PSNR을 높일 수 있지만 공간 구조는 바꾸지 않으므로 SSIM까지 항상 좋아지는 것은 아니다.
SAR와 음성 인식 결과는 다른 증거 단계다. 이는 제작 칩에서 응용 전체를 실시간 실행한 시험이 아니다. 연구진은 칩 오차 특성을 반영한 CrossSim 모델을 사용하고, 더 효율적이라고 가정한 40 nm 코어와 8-bit ADC에 대규모 입력을 넣었다. SAR 2048×2048 영상 형성은 10회 시뮬레이션 평균 SSIM 0.8558±0.006이었다. LibriSpeech 음성의 RNNT 파이프라인에서는 FP32 WER 7.44%, 아날로그 STFT 8-bit 모델 WER 9.53%를 보고했다. 아래 표에서 실제 칩 변환과 모델 응용을 따로 본다.
| 증거 단계 | 실제 입력·조건 | 보고 결과 | 읽는 범위 |
|---|---|---|---|
| 제작 칩 실험 | 40 nm SONOS 배열; 512점 STFT, 65,536점 1D FFT, 256×256 RGB 2D FFT/IFFT | STFT PSNR 55.97 dB; 전체 FFT 0.244 Hz 간격·41.01 dB; 이미지 복원 시연 두 스펙트럼 PSNR은 복소 켤레쌍 평균 후 크기 기준 | 배열 단계별 DFT와 변환 결과 측정 |
| 응용 시뮬레이션 | 오차 모델을 적용한 효율형 40 nm 코어, 8-bit ADC; SAR 2048×2048 및 LibriSpeech/RNNT | SAR SSIM 0.8558±0.006 (10회); WER FP32 7.44%, 아날로그 모델 9.53% | 실제 칩 응용 시험이나 제품 총전력 측정이 아님 |
#더 읽을 자료
- DFT 기초와 스펙트럼 잡음 제거를 다룬 튜토리얼: Linford & Gerashchenko, A tutorial on the Fourier transform and discrete Fourier transform, with comments on the Hilbert transform, in the context of denoising spectra (2026).
- DFT를 작은 변환으로 나누는 FFT의 고전 논문: Cooley & Tukey, An Algorithm for the Machine Calculation of Complex Fourier Series (1965).
#어디서 정확도가 흔들리는가
기록된 셀 conductance가 목표와 정확히 같지 않으면 작은 가중치에서 상대 오차가 커진다. 낮은 입력 전류에서는 셀 간 변동과 read noise가 신호에 비해 커질 수 있다. 반대로 큰 conductance를 써서 신호를 키우면 배열 배선의 parasitic resistance 때문에 IR drop이 늘고, 합산 전류가 ADC의 입력 범위 밖으로 나가면 clipping된다. 그래서 연구진은 가중치 상한 Gmax를 고를 때 clipping과 conductance 양자화 오차를 함께 시뮬레이션했다. DFT 크기가 커지면 이 조건도 달라진다.
보충자료의 drift 분석은 셀 상태가 시간에 따라 변할 수 있음을 보인다. 연구진 모델은 실험 재현 모드에서 프로그램 뒤 하루 또는 사흘 drift를 설정했고, 응용 코어 모드에서는 하루 drift를 가정했다. 이는 수년 retention, 주기적 refresh의 전력·지연, 온도와 공정 분포를 실제 제품에서 측정한 결과와 같지 않다. 마찬가지로 성능 비교는 동일 공정에서 완성한 두 실리콘을 맞대어 잰 것이 아니라, 디지털 기준을 8-bit로 환산하고 설계 모델을 이용해 추정했다.
#지금 말할 수 있는 것
이 작업의 가장 강한 증거는 큰 변환에서 매 단계의 DFT를 실제 SONOS 배열에 올리고 음성·영상 변환을 측정했다는 점이다. 알고리즘은 복소 DFT의 구조를 쪼개 배열 용량에 맞추고, 시스템 비용은 곱셈만이 아니라 ADC·부분합·버퍼가 좌우할 수 있음을 보여 준다. 그러나 “아날로그 FFT가 일반적인 디지털 FFT보다 더 빠르고 효율적”이라는 제품 수준 결론은 논문의 시뮬레이션 경계를 넘는다. 모델이 예측한 응용 성능과 측정된 배열 단위 변환은 분리해 읽어야 한다.
후속 판단을 바꿀 증거는 같은 정밀도·공정의 디지털 FFT와 실제 칩 비교, 온도와 drift·refresh를 포함한 장기 측정, 배열·ADC·버퍼·제어기를 함께 넣은 시스템 전력, 다른 연구팀의 칩 재현이다. 논문 자료는 합리적 요청에 따라 제공된다고 밝히고, CrossSim 공개 코드는 있지만 연구 전용 전체 코드는 Sandia 관리 승인을 받은 뒤 요청해야 한다고 명시한다. 이번 분석에서 CrossSim 실행이나 독립 재현은 하지 않았다.
#출처와 확인 범위
- Xiao 외, “Analogue fast Fourier transforms for scalable and efficient signal processing,” Nature Electronics, 2026-10-19. 출판사 페이지 · DOI
- 공개 preprint: arXiv:2409.19071 v3, 2026-06-24 수정본. 아래 상세 위치는 arXiv PDF 실제 쪽수이며, 출판사 본문과 수식·Methods 문구가 모두 동일하다고 확인한 것은 아니다.
원문 위치와 읽은 범위
- arXiv v3 본문 PDF 1–12쪽과 Methods 18–21쪽을 읽었다. 본문 식 1은 p.3, 식 2–3은 p.4, 식 4는 p.8, Methods 식 5–6은 p.19다. Fig.1은 p.3, Fig.2는 p.6, Fig.3은 p.8, Fig.4는 pp.9–10, Fig.5는 p.11. 참고문헌 pp.13–17은 읽지 않았다. 별도로 묶인 arXiv v3 Supplementary Information 실제 PDF pp.22–61은 이번에 읽었다. Nature 출판사 SI와 주제·구성은 대응하지만 페이지/그림 번호가 다르고 문서 해시도 다르므로 같은 파일이나 문구로 간주하지 않는다; 이번 기사에는 양쪽에서 확인한 범위의 사실만 반영했다.
- Nature 출판사 보충자료는 별도 PDF로 받았다. 실제 PDF pp.3–42의 Supplementary Sections 1–14를 읽었고, pp.43–44 참고문헌은 읽지 않았다. 예를 들어 Parseval 식 I11–I12와 Fig.18은 실제 PDF p.23(인쇄 쪽수 22), Section14 Table9는 실제 PDF p.41(인쇄 쪽수 40)에 있다. 이것을 arXiv PDF의 Supplementary 22–61쪽 검토로 바꾸어 말하지 않는다.
- Nature 최종판은 기관 접근으로 음성 실험의 PSNR과 입력·창 조건(PDF pp.4–6), 식 1–6과 관련 Methods(PDF pp.2, 4, 10–11)를 추가 대조했다. 이는 해당 주장과 수식의 대조이며 최종판 전체·문장별 동일성을 확인한 것은 아니다. 데이터는 교신저자에게 합리적 요청 시 제공, 연구 전용 전체 코드는 요청과 Sandia 관리 승인 시 제공된다는 문구를 확인했다.
- 본문의 두 그림은 합성 신호의 주파수 성분과 배열·ADC의 역할을 설명하도록 독립 제작한 도식이다. 논문 원도판이나 측정 그래프를 복제·추적하지 않았다. 상세한 원본 도판은 권리 확인 전에는 링크만 제공한다.