Folded circuit synthesis



    보통 플립플롭(FF)은 클럭이 rising할 때만 데이터를 로드한다. 위의 왼쪽 그림은 이 FF을 이용해서 만든 일반적인 회로이다. 이 회로 내부에 구조가 동일한 부분회로 N1과 N2가 있다. 우리는 이 두 부분회로를 겹쳐 오른쪽 그림의 N과 같이 만들고 N이 N1과 N2가 수행하는 연산을 모두 수행하도록 하여 부분회로의 면적만큼 회로의 면적을 줄이고자 한다. 회로의 연산은 한 클럭 주기 내에 끝나야 하기 때문에 N1의 연산은 클럭이 1인 동안 수행하고, N2의 연산은 클럭이 0인 동안 수행하게 하면 된다. 이를 위해서 회로 입력인 w는 그 짝인 w’과 함께 클럭을 control 신호로 가지는 MUX에 연결하고, SET 입력인 x와 y는 각각 자신의 짝과 함께 FF에 연결하게 된다. 이 때, FF은 클럭이 falling일 때도 데이터를 로드해야 하기 때문에, 클럭의 rising과 falling 모두에서 데이터를 로드할 수 있는 dual edge-triggered FF을 사용한다. 마지막으로 N2 연산 결과가 N1의 출력에 전달되는 것을 막기 위해서 tri-state buffer를 이용한다.




DNA circuit design

    DNA는 아데닌(A), 티민(T), 시토신(C), 구아닌(G)이라는 네 종류의 염기로 만들어지며, 이들이 서로 사슬 모양으로 연결되어 하나의 염기 서열을 이룬다. 염기 서열을 하나의 정보로 생각할 수 있는데, 이를 통해 회로를 구현할 수 있다. DNA는 생명체를 구성하는 물질인 데다, 용액 속에서 자유롭게 반응할 수 있으므로, 이를 활용하여 회로를 만들 수 있다면 체내에서 동작하는 회로와 같이 새로운 응용을 실현할 수 있을 것으로 기대되고 있다. 예를 들면 암세포를 찾아내서 제거하는 특수 단백질을 방출하는 “smart drug delivery”, 그리고 혈당 및 호르몬과 같은 체내 생체물질은 물론, 중금속과 같은 환경 관련 물질을 검출, 분석하기 위한 바이오센서와 같은 것에 활용할 수 있다. 
    지금까지의 DNA 회로에 관한 연구는, DNA를 활용한 생물 논리게이트의 구현이 주를 이루었다. 이러한 연구들의 목적은, DNA로 논리 게이트를 만들 수 있다는 것을 보임으로써, 기존의 디지털 논리 회로와 동일한 방법으로 회로를 만들 수 있다는 것을 입증하는 것이다. 하지만 기존 연구들에서는 DNA로 AND, OR와 같은 기초적인 게이트를 구현하는 방법에 대한 논의만 이루어지고 있을 뿐, 이들을 이용한 회로가 어떤 식으로 만들어져야 하는지에 대한 연구는 거의 이루어지지 않았다. DNA 회로는 기능이 완전히 같은 회로가 몰 단위로 존재하여 동시에 동작한다는 점과 게이트들의 경계가 공간적으로 겹쳐질 수 있다는 점과 같이, 종래의 실리콘 반도체를 이용하는 논리회로와는 다른 여러 가지 특성을 지니고 있다. 우리 연구실에서는 DNA 회로가 갖는 특징을 고려하여, 회로 설계의 관점에서 DNA 회로를 더욱 잘 만들기 위한 설계 방법론에 대해 연구를 진행하고 있다.      



Neuro computing

    1971년에 최초의 CPU가 개발된 시점부터 오늘날까지, 컴퓨터의 성능은 급격하게 발전해왔다. 그러나 오늘날의 슈퍼컴퓨터 역시 성능이 좋은 계산기일 뿐, 지능 수준은 어린아이만도 못한 것이 현실이다. 슈퍼컴퓨터로 고양이의 대뇌를 흉내 내는 데에만 147,456개의 CPU와 144TB의 메모리, 그리고 1.4MW라는 상당한 전력이 들어간다. 그에 비해 인간의 두뇌는 고작 10W의 전력을 소모하면서 고양이를 뛰어넘는 지능을 발휘하고 있다. 이러한 사실은 폰 노이만 구조와 부울 연산을 고집하는 기존 컴퓨팅으로는 지능 구현의 한계가 있음을 시사한다. 이에 기존 컴퓨팅을 극복하려는 시도들이 있어왔으며, 그 중에서 가장 주목받고 있는 것이 바로 뉴로 컴퓨팅이다. 
    뉴로 컴퓨팅은 뇌가 학습하고 기억하는 메커니즘에 영감을 받아 제안된 컴퓨팅이다. 사고, 기억과 같은 지능적인 행위는 주로 대뇌의 신경망을 통해 발생하는 것으로 알려져 있다. 신경망은 뉴런이라 불리는 신경세포들의 연결로 구성되고, 뉴런은 시냅스라는 세포말단을 통해 다른 뉴런과 신호를 주고받는다. 뉴런은 외부 자극에 반응하여 특정 뉴런에게 집중적으로 신호를 전달하는 경향이 있는데, 이러한 자극의 반복은 시냅스에 각인되어 두 뉴런간의 연관성을 형성한다. 인간의 뇌에는 뉴런이 100억개 이상 존재하며, 한 뉴런은 1000개 이상의 다른 뉴런과 시냅스를 통해 연결되어있는 것으로 추정된다. 결국 수많은 뉴런과 시냅스가 존재하기 때문에 반복된 경험이 학습이 될 수 있고 기억을 가능케 하며, 나아가 일관된 사고를 형성할 수 있는 것이다. 이를 ‘헤비안 이론’이라고 하는데, 신경과학의 전통적인 이론이자 뉴로 컴퓨팅의 핵심 원리이다. 
    따라서 뉴로 컴퓨팅은 뉴런과 시냅스 그 자체와 동작원리를 실리콘 기술로서 구현하려는 데 초점이 맞춰져있다. 이미 기초적인 수준의 하드웨어가 구현되었으며 자기발진소자, 멤리스터의 등장으로 인해 뉴런과 시냅스의 대규모 구현이 더욱 가시화되었다. 뉴로 컴퓨터는 패턴 인식, 기억 복원, 경향성 예측 등에 뛰어난 성능을 보이며, 점차 인간의 사고를 흉내 낼 것으로 기대된다. 현재 IBM, Intel, DARPA, 스탠포드, 한국연구재단, 삼성, 서울대학교, 광주과학기술원 등에서 뉴로 컴퓨팅 관련 연구를 진행 중이다. 
    본 연구실에서는 뉴로 컴퓨팅의 설계에서 발생할 수 있는 문제점을 찾고, 이를 설계의 가이드라인으로 제시하는 연구를 진행하고 있다. 뉴로 컴퓨터를 실제로 제작하기 위해서는 매우 많은 수의 뉴런 및 시냅스 소자들을 집적해야한다. 이러한 특성 때문에 소자의 노이즈 취약성, 소자간의 복잡한 인터커넥션, 면적 및 전력소모 문제 등을 해결해야 한다. 또한, 신호전달 모델 및 알고리즘에 대해서도 개선이 필요하다. 우리는 이러한 사항들에 초점을 맞추어 연구를 진행하고 있으며, 기존 하드웨어 틀에 얽매이지 않는 새로운 방식의 접근을 모색하고 있다.




Lithograph aware design

    광학 리소그래피 기술의 이론적 해상력 한계는 약 40nm (78nm 주기). 즉, 일반적인 리소그래피 방법으로는 이보다 작은 크기의 패턴을 웨이퍼에 형성하는 것이 불가능하다는 의미이다. 하지만 최신 반도체 양산기술은 이보다 훨씬 작은 20nm급이며, 10nm급 이하 공정 기술도 연구 개발되고 있다. 이러한 극한의 반도체 기술이 가능하게 된 것은 리소그래피와 에치 공정의 반복을 통해 작은 패턴을 형성하는 double (triple) patterning (DPT or TPT) 기술, 매우 짧은 파장(13.5nm)의 광원을 이용한 extreme ultra-violet lithography (EUVL), block copolymer string이 저절로 정렬되는 성질을 이용하여 미세 패턴을 형성하는 directed self-assembly lithography (DSAL) 등과 같은 차세대 공정 기술들 덕분이다.
    하지만 이러한 기술들은 기존에는 고려할 필요가 없었던 설계적 제약들을 동반한다. 예를 들어, 트렌지스터의 게이트 간격을 일정하게 설계해야 하는 제약, 메탈 배선이 (한 레이어에서) 수평 혹은 수직으로만 구성되어야 하는 제약, 특정 트렌지스터의 특성(속도)이 칩 혹은 웨이퍼 상의 위치에 따라 달라지는 현상, 표준셀(standard cell)간의 간격이 일정 거리 이상 떨어져야 하는 제약 등이 있다. 이러한 제약은 설계 자유도를 저해하기 때문에 칩의 속도나 크기를 최적화 하는데 어려움이 따른다.
    결국 더 작은 크기의 제품을 성공적으로 생산하기 위해서는 위와 같은 설계적 제약을 잘 이해하여 공정-설계 간 최적의 기술을 찾는 것이 관건이다. 이와 관련된 연구는 설계는 물론 공정 분야의 주요 학회에서 활발히 진행되고 있으며, 관련 세션의 크기도 꾸준히 커지고 있다. 본 연구실에서는 국내 반도체 대기업의 설계 환경과 공정 조건을 직접 이용하여, 차세대 공정 기술의 특징을 이해하고, 그로부터 예상되는 설계적 제약 조건을 밝히며, 이러한 제약으로 인한 문제점(수율 감소, 칩 면적 증가, 칩 속도 저하 등)을 최소화할 수 있는 설계 방법론을 연구한다.