Weebit Nano, 메모리 내 AI 연산을 위한 Matrix ReRAM 연구 프로그램 출시

Weebit Nano가 Weebit Matrix 메모리 내 연산 연구 프로그램을 시작했다. 이 프로그램을 통해 학계와 산업계 연구자들은 ReRAM 하드웨어를 이용해 AI 연산을 데이터가 저장된 곳에서 수행하는 새로운 방식에 접근하고 시험할 수 있다.

이 프로그램은 32 × 32 크로스바 배열을 기반으로 한 연구용 키트를 제공하며, 벡터-행렬 곱셈, 컨볼루션, 스파이킹 신경망 등의 연산을 지원한다. 또한 엣지 AI의 중요한 하드웨어 과제를 다룬다. 메모리와 별도의 프로세서 사이에서 반복적으로 데이터를 주고받는 일을 줄이면 에너지와 시간을 얼마나 절약할 수 있을까?

이번 출시는 완성된 상용 AI 가속기가 아니라 연구 플랫폼의 출시다. Weebit은 메모리 내 연산 솔루션이 상용 시장에 진출하기까지 기술적 과제가 남아 있다고 밝혔다. 당장의 목표는 연구자들이 모델과 시뮬레이션을 넘어 실제 ReRAM 하드웨어를 이용한 실험을 할 수 있도록 하는 것이다.

메모리 안에서 연산하는 이유는 무엇일까?

신경망 추론에서는 입력값과 저장된 모델 가중치를 반복적으로 결합한다. 기존 아키텍처에서는 메모리 계층을 거쳐 이 값들을 옮기는 과정에서 대역폭과 에너지가 소모될 수 있다. 메모리 내 연산(IMC)은 이러한 작업의 일부를 메모리 배열 내부에서 수행하는 것을 목표로 한다.

저항성 랜덤 액세스 메모리(ReRAM)는 프로그램 가능한 전기 저항을 이용해 정보를 저장한다. Weebit의 산화물 기반 셀에는 전극 사이에 스위칭 층이 있으며, 전압을 가하면 전도 경로가 바뀌고 이에 따라 셀의 저항도 달라진다. 저장된 상태는 지속적으로 전원을 공급하지 않아도 유지되므로 ReRAM은 비휘발성 메모리다.

아날로그 컴퓨팅 연구에서 이러한 전기적 특성은 비트를 저장하는 것 이상의 역할을 할 수 있다. 배열의 메모리 셀에 가중치를 인코딩하고, 그에 따른 전기적 응답을 연산에 활용할 수 있다. 이를 통해 메모리의 물리적 동작이 신경망 전반에서 사용되는 곱셈-누산 연산과 연결된다.

이러한 접근 방식은 센서, 산업 장비 및 기타 엣지 시스템처럼 전력과 열 예산이 엄격한 기기에 특히 유용하다. 그렇다고 AI 모델의 모든 부분이 배열 내부에서 실행되거나 전체 시스템에서 데이터 이동이 사라진다는 뜻은 아니다.

Matrix 연구용 키트 구성

Weebit은 우선 두 가지 패키지를 제공한다.

• Matrix IMC 평가 패키지: 하드웨어에 더 직접적으로 접근하려는 연구자를 위한 직접 액세스 평가 보드.
• Matrix IMC 빠른 시작 패키지: 완전한 IMC 보드, FPGA 하위 시스템 및 샘플 코드.

두 패키지 모두 패키징된 칩 샘플, 문서, 소켓이 장착된 IMC 보드를 포함한다. 32 × 32 크로스바는 프로그래밍 방법, AI 알고리즘, 스파이킹 신경망을 포함한 뉴로모픽 아키텍처를 연구할 수 있는 통제된 플랫폼을 제공한다.

빠른 시작 패키지의 FPGA 하위 시스템은 연구자에게 메모리 배열과 함께 사용할 수 있는 프로그래밍 가능 디지털 하드웨어를 제공한다. 이는 메모리 기반 연산이 전체 컴퓨팅 파이프라인을 대체하려 하기보다 기존 처리 방식과 함께 작동하는 하이브리드 시스템을 탐구하는 데 유용하다.

참가자는 ReRAM 관련 결과와 의견을 Weebit과 공유한다. 회사는 이러한 협력이 기술을 개선하고 더 폭넓은 연구 활동에 정보를 제공하기 위한 것이라고 밝혔다. 이번 발표에는 키트 가격, 선정 프로젝트 수, 상용 가속기 출시 일정이 공개되지 않았다.

80배 전력 절감 주장의 맥락 살펴보기

링크된 연구 요약에는 Weebit의 성능 주장을 뒷받침하는 중요한 세부 정보가 담겨 있다. 방사선 내성 AI 하드웨어를 개발하는 익명의 미국 기업이 맞춤형 컨볼루션 신경망을 사용한 이미지 분류 작업을 대상으로 IMC 아키텍처를 평가했다.

비교에는 NVIDIA GeForce RTX 4090 GPU와 Xilinx ZCU104 FPGA 플랫폼이 사용됐다. IMC의 시스템 수준 결과는 Weebit ReRAM 배열의 측정값을 바탕으로 한 애플리케이션 모델링을 통해 예측됐다.

해당 작업의 경우, 분석 결과 GPU 구현보다 전력 소비가 약 80배 낮고 FPGA 구현보다 13배 낮을 것으로 예측됐다. 출시 발표 자료에서는 이와 별도로 지연 시간이 거의 100배 줄어든다고 설명했다. 이는 특정 작업에 한정된 예측이며, AI 작업 전반에서 GPU보다 뛰어난 성능을 보이는 완전한 상용 Matrix 가속기에 대해 독립적으로 검증된 측정 결과는 아니다.

이 점은 연구 프로그램의 핵심이다. 배열 수준에서 얻은 유의미한 결과가 실제 시스템에서도 모델 정확도를 유지하면서 제어, 데이터 변환, 통신 및 기타 지원 작업을 고려한 성능으로 이어져야 한다. 이러한 부가 기능에도 에너지가 들고 지연 시간이 늘어난다.

하드웨어 실험으로 시뮬레이션의 한계를 확인할 수 있다

Weebit CEO Coby Hanoch는 2019년 ReRAM 기반 스파이킹 신경망 시연을 포함해 CEA-Leti와 진행한 이전 협업을 언급했다. Matrix는 정해진 하드웨어 플랫폼을 더 많은 자격을 갖춘 연구자에게 제공함으로써 이러한 연구 방향을 확장한다.

이종 컴퓨팅과 뉴로모픽 컴퓨팅을 연구해 온 뉴로모픽 연구자 Kevin D. Johnson은 이 플랫폼을 활용해 실제 하드웨어에서 모델을 검증하고 시스템 차원의 정확도, 지연 시간, 전력 소비를 평가하고 싶다고 밝혔다. 그의 관심 분야에는 ReRAM을 다른 처리 기술과 결합하는 것도 포함된다.

이 접근법은 실질적인 가능성을 보여 준다. 워크로드 중 메모리 기반 연산의 이점을 얻는 부분을 파악한 다음, 적절한 경우 다른 하드웨어와 결합하는 것이다. 연구 질문은 개별 연산의 효율성 여부에 그치지 않는다. 그렇게 구성한 시스템이 유용하고 반복 가능한 애플리케이션 성능을 제공하는지도 포함한다.

Weebit은 열악한 환경에서 ReRAM을 연구해야 하는 이유로 방사선 내성을 강조한다. 다만 특정 항공우주, 방위 또는 의료 분야에 적합한지는 전체 설계의 요구 사항과 검증 결과에 따라 달라진다.

시연 및 연구 참여

Weebit은 11월 10일부터 13일까지 뮌헨에서 열리는 electronica 2026에서 Matrix IMC를 시연할 계획이다. 회사는 행사 페이지에서 C2홀 637번 부스를 안내하고, 시연 및 미팅 세부 정보를 제공한다.

이 패키지는 자격을 갖춘 연구자에게 제공되며, 신청서는 프로그램의 연구 중점 분야와 부합하는지를 기준으로 평가된다. Weebit은 참여 희망자를 위해 연구 프로젝트 신청서를 제공한다.

Matrix가 당장 제공하는 가치는 인메모리 AI의 전제를 검증할 수 있는 하드웨어에 대한 접근성이다. 데이터 이동 비용 절감을 목표로 하는 이 분야에서 중요한 근거는 연구자들이 실제 워크로드를 실행할 때 측정한 정확도, 에너지 소비, 지연 시간이 함께 얼마나 안정적으로 유지되는지를 보여 주는 결과일 것이다.