半導体産業は今活況を呈しています。 米国と中国の間の技術的覇権をめぐる競争が激化するにつれ、世界のサプライチェーンはCOVID-19の大流行に見舞われ、半導体が不足しています。 その結果、現在のグローバルな分業への依存を打ち破ろうとしています。米国での設計、日本とヨーロッパでの部品と材料、台湾での製造、韓国でのメモリ、中国での半導体製造です。

米国と欧州は半導体製造施設の拡張を開始しており、中国は半導体ソース技術の開発を加速しています。

さらに、人工知能（AI）の急速な発展に伴い、半導体のパラダイムも変化しており、大規模なデータ処理と推論に特化したAI半導体が求められています。 人工知能の時代に対応するための情報技術の基盤としての半導体の重要性は残っています。

尹錫淵（ユン・ソクヨル）政府も半導体産業の振興に非常に関心を持っている。 ハイテク産業の変化は速すぎて、メモリ分野の優位性を信じることができません。 進化する市場で競争力を維持する必要があります。 科学技術情報通信部は最近、AI半導体のスーパーギャップ技術を確保するために、今後5年間で1兆以上の勝利を投資する計画を発表しました。

近い将来の半導体市場の課題は、AI半導体技術を確保しつつ、現在の半導体ナノプロセスの極限までの進歩を追求し、技術の優位性を競う国々の中での地位を確固たるものにすることです。

その一方で、より効率的でエネルギー消費の少ない新しいレベルの半導体やコンピューティングの可能性を探る試みがなされています。 人間の脳を最も直接的に模倣するニューロモルフィックコンピューティング。 コンピューティングの次の時代に向けて事前に準備する動きです。

今日のコンピューターにはいくつかの構造上の問題があります。 これは、計算とメモリを分離する「フォンノイマン」構造の制限によるものです。

ハンガリーの科学者フォンノイマンは、プログラムとデータをメモリの領域に格納する方法を考案し、コンピューティングユニット（CPU）が計算を実行し、必要なときにいつでもメモリからそれらを取得します。 2つの領域は互いに分離されており、必要なデータは「バス」と呼ばれるパスに沿ってCPUに転送されます。

最初のコンピューターとして知られる「ENIAC」は、新しい計算を行うたびにチューブスイッチ回路を再校正する必要がありました。 代わりに、フォンノイマンによって提案された方法を使用すると、ハードウェアを1つずつ調整しなくても、保存されているプログラムを呼び出して計算を簡単に実行できます。 私たちが現在使用しているコンピューターの急速な発展は、この原理に基づいて可能になりました。

ただし、コマンドとデータはバスと呼ばれる道路を継続的に移動する必要があるため、データ量が増えると、2つのエリア間を移動するプロセスがボトルネックになります。 速度が低下し、熱生成とエネルギー消費が増加します。 「ムーアの法則」に見られるように、コンピューターはかつてないほど急速に進歩しています。 しかし、回路の線幅が数ナノメートルのレベルまで低下するにつれて、技術開発は減速し、電子の動きによる熱と干渉が増加しています。

また、超巨星人工知能モデルの出現により、エネルギー消費量が増加しています。 OpenAIによって開発されたGPT-3自然言語処理モデルは、1,750億のパラメーターでトレーニングされました。 トレーニングデータが増えると、大量の電力を消費します。 GPT-3を1回学習するのに必要な電力は、1時間あたり約1.3ギガワットです。これは、全国で1分間に消費される電力量に相当します。

人工知能の使用の増加は止められない傾向ですが、人工知能を最大限に活用する試みは、カーボンニュートラルによって妨げられます。

これが、ノイマン型構造を超えて、生物の脳により類似した計算方法を実装することを目的としたニューロモルフィック計算への関心が高まっている理由です。

脳は、並列に接続された多数のニューロン、つまりニューロンとそれらを接続するシナプスに基づいて情報を処理します。 1000億のニューロンと100兆のシナプスを持つ人間の脳は、世界で最も進んだ考え方ですが、電球をオンにするのに十分なエネルギーしか使用していません。

これは、ニューロンが重要な信号のみを受け入れ、他の信号を無視してエネルギー消費を最小限に抑えるためです。 大きな刺激が来ると、平らなグラフを描くために使用される信号が突然ジャンプします。 重要な信号はスパイクのように上昇し、シナプスを介して近くのニューロンに伝達されます。

フォンノイマン構造では、信号は常に狭い経路に沿って前後に移動する必要がありますが、脳では、重要な信号が、並列に接続された多数のニューロンとシナプスの間を優先的に通過します。 重要でない情報はより少なく渡されます。 さらに、0と1の2つの状態に基づいて動作する一般的なコンピューターとは異なり、アナログ感覚信号を連続した形で効果的に送信できます。

このようなスパイクベースのニューラルネットワークの実装は、ニューロモルフィック計算の基礎です。 ニューロンとシナプスを模倣することによって「スパイク」方式で信号を処理するニューロモルフィックデバイスを開発する試みがなされています。 Intelは「Loihi」ニューロモーフチップをリリースし、IBMやスタンフォード大学などの国内外の企業や主要大学も開発に挑戦しています。

意味のある刺激を与える過程を再現できるデバイスとして、メモリスタが注目されています。 メモリスタとは、電子部品の一種である「記憶」と「抵抗」からなる言葉です。 抵抗の強さは電流の流れや時間の変化によって変化し、電源が切れる直前の電流の方向や量を記憶するという特徴は、ニューロンやシナプスの振る舞いに似ています。

ニューロモルフィックデバイスは、受信した信号を効率的に処理できるため、視覚や触覚などのセンサーを介して受信した感覚を直接認識、判断、使用するデバイスを作成することもできます。 現在、AIベースの画像認識は実生活で使用され始めていますが、消費電力が大きいため、日常生活に適用することは困難です。 一方、ニューロモルフィックコンピューティングが進歩するにつれて、消費電力が少なくなり、処理速度が速くなるため、モバイルデバイスや単純なデバイスで使用できます。 情報の検出と処理を同時に行う、いわゆる「センサー内コンピューティング」の時代が幕を開けています。

ただし、制限はまだ認識されていません。 ニューロモルフィック微積分には、脳の理解がまだ不足している状況でも限界があります。 短時間で結果を期待することは困難です。 しかし、人間の思考に代わる人工知能の需要が高まるにつれ、究極の思考および感知マシンへの関心はますます強くなるでしょう。

※私はDong-AScienceDailyNewsの電子新聞記者兼チームリーダーを務めました。 テクノロジーと人々がどのように相互に影響を及ぼし、変化するかを見るのは常にエキサイティングです。 [어린이를 위한 디지털과학 용어 사전]構築された、 [네트워크전쟁]移動しました

SeheeHanITレポーター