열 구동 고분자 나노입자 네트워크 컴퓨팅
차세대 인공지능 시스템 구현을 위해 물리 신경망(PNN) 하드웨어 개발이 중요하며, 열류를 정보 인코딩 및 처리 수단으로 활용하는 포노닉 소자가 뉴로모픽 컴퓨팅의 유력한 대안으로 부상하고 있습니다. 본 연구에서는 인공 신경망(ANN)을 고분자 네트워크 나노입자(PNNP) 기반의 PNN 시뮬레이션 모델로 역매핑했습니다. 원자 수준 시뮬레이션을 통해 고분자로 연결된 나노입자 네트워크가 정보 처리, 즉 출력 열류에 따른 입력 온도 분류를 실현할 잠재력이 있음을 확인했습니다. 고처리량 분자 동역학(MD) 시뮬레이션과 트러스트 영역 베이지안 최적화(TuRBO) 방법을 활용하여 고분자 링커의 가소성과 나노입자의 온도를 포함한 총 28개 매개변수를 최적화했습니다. 이는 ANN의 가중치와 편향을 조정하는 것과 유사합니다. 5단계의 고처리량 MD 시뮬레이션 결과, PNNP 장치가 다양한 입력 온도를 더 효과적으로 분류하여 성능이 향상되었음을 입증했습니다. 또한, 각 단계에서 상위 5개 PNNP 장치의 열류 출력을 테스트 데이터셋으로 검증했습니다. 이 연구는 열 에너지 기반의 새로운 컴퓨팅 패러다임을 제시하며, 미래 인공지능 시스템의 물리적 구현 가능성을 탐색하는 데 중요한 기여를 합니다. PNNP는 에너지 효율적인 뉴로모픽 하드웨어 개발에 새로운 방향을 제시할 수 있습니다.