ITPE * JackerLab

개요RRAM(Resistive Random Access Memory)은 저항의 상태 변화를 이용하여 데이터를 저장하는 차세대 비휘발성 메모리(NVM) 기술입니다. 기존의 플래시 메모리 대비 빠른 속도, 낮은 전력 소모, 높은 집적도, 그리고 우수한 내구성을 갖추고 있어 차세대 메모리 및 인공지능, 뉴로모픽 컴퓨팅, 엣지 디바이스 등 다양한 응용 분야에서 주목받고 있습니다. 본 글에서는 RRAM의 구조, 동작 원리, 장점, 기술 요소 및 상용화 가능성에 대해 자세히 살펴봅니다.1. 개념 및 정의 항목 설명 정의RRAM은 전압에 의해 저항값이 변화하는 특성을 이용하여 데이터를 저장하는 비휘발성 메모리입니다.목적고속·고집적·저전력의 차세대 저장 장치 실현필요성플래시 메모리의 속도 한계, 내구성 문제, 공정 ..

개요Compute-In-Memory(CIM)는 데이터를 중앙처리장치(CPU)나 그래픽처리장치(GPU)로 이동하지 않고 메모리 내부에서 직접 연산을 수행하는 차세대 컴퓨팅 구조입니다. 기존 폰 노이만 아키텍처의 병목을 해결하고, 메모리 접근 지연(latency)과 에너지 소비를 획기적으로 줄이는 데 목적을 둔 이 기술은 특히 인공지능(AI) 및 엣지 컴퓨팅에서 주목받고 있습니다. 본 글에서는 CIM의 개념, 구조, 기술적 특성, 장점 및 활용 사례를 중심으로 해당 기술의 현황과 전망을 소개합니다.1. 개념 및 정의 항목 설명 정의CIM은 메모리 셀 내에서 연산을 수행하는 비-전통적인 컴퓨팅 아키텍처입니다.목적데이터 이동 비용을 줄여 고속 연산과 저전력 소비 실현필요성AI 및 데이터 중심 컴퓨팅의 연산 밀..

개요Photonic Computing(광 컴퓨팅)은 전자가 아닌 빛(Photon)을 정보 전달 및 처리 수단으로 사용하는 차세대 컴퓨팅 기술입니다. 전통적인 전자식 트랜지스터 기반 아키텍처가 물리적, 열적 한계에 다다르면서, 초고속 처리, 초저전력 소모, 고대역폭 데이터 전송을 동시에 실현할 수 있는 Photonic Computing이 미래 컴퓨팅 기술의 대안으로 주목받고 있습니다.1. 개념 및 정의 항목 설명 정의광자(빛)를 매개체로 하여 데이터 전송, 연산, 저장을 수행하는 컴퓨팅 방식목적전자 기반 한계 극복(속도, 발열, 전력 소비 문제 해결)필요성AI, 빅데이터, 엣지 컴퓨팅 시대에 요구되는 초고속, 고효율 컴퓨팅 플랫폼 구축 필요Photonic Computing은 Neuromorphic Com..

개요ReRAM(Resistive RAM), MRAM(Magnetoresistive RAM), STT-MRAM(Spin-Transfer Torque MRAM)은 기존 DRAM과 NAND 플래시의 한계를 극복하기 위해 개발된 신개념 비휘발성 메모리(NVM) 기술입니다. 이들은 모두 데이터를 유지하면서도 빠른 속도, 낮은 전력 소모, 높은 내구성을 목표로 하며, AI 칩, 자동차, 모바일, 엣지 컴퓨팅, IoT 등 다양한 영역에서 주목받고 있습니다.1. 개념 및 정의 기술 정의 ReRAM저항 변화(RRAM)의 원리를 이용해 전도 상태와 비전도 상태를 전기적으로 제어하는 메모리MRAM자기 터널 접합(MTJ)을 이용하여 자성 방향에 따라 데이터를 저장하는 메모리STT-MRAMMRAM의 한 종류로, 전류 기반 스..

개요Carbon Nanotube Transistor(CNT 트랜지스터)는 탄소나노튜브(CNT)를 채널 물질로 활용한 트랜지스터로, 기존 실리콘 트랜지스터보다 훨씬 작은 크기와 뛰어난 전기적 특성을 가진 차세대 나노 반도체 소자입니다. 전자 이동성이 매우 높고, 낮은 동작 전압, 높은 전류 밀도를 구현할 수 있어, 미래 고성능/저전력 집적 회로 및 신경모사 컴퓨팅의 핵심 구성 요소로 주목받고 있습니다.1. 개념 및 정의탄소나노튜브는 그래핀을 원통형으로 말아 만든 1차원 탄소 구조체로, 금속성 또는 반도체 특성을 가질 수 있으며, 지름 수 나노미터 수준의 고강도·고전도성 소재입니다.CNT 트랜지스터: CNT를 채널로 하고 게이트, 소스, 드레인을 구성FET(Field Effect Transistor)의 구조..

개요Liquid Neural Networks(Liquid NN 또는 LNN)는 시간에 따라 동적으로 변화하는 뉴런과 가중치 구조를 가지는 새로운 형태의 신경망입니다. MIT CSAIL 연구팀이 발표한 이 기술은 자율주행, 로보틱스, 시계열 예측, 적응형 시스템 등 실시간 환경 적응성이 중요한 분야에서 주목받고 있습니다. 기존의 딥러닝 모델이 정적인 구조로 구성되었다면, Liquid NN은 시간의 흐름에 따라 유연하게 조정되는 유체적 모델로 진화하고 있습니다.1. 개념 및 정의Liquid Neural Network는 비선형 미분방정식을 기반으로 뉴런의 상태가 시간적으로 지속적으로 변화하며 업데이트되는 신경망입니다. 특히 뉴런의 동작이 고정된 활성 함수나 선형 모델이 아닌, 환경에 따라 수식 자체가 변형될 ..