< 목 차 >

1. 지능형 반도체 개요
2. 글로벌 지능형 반도체 산업 전망 및 파급 효과
3. 주요국 반도체 산업 관련 정책 동향
4. 지능형 반도체 산업 동향
5. 지능형 반도체 설계의 유연성을 제공하는칩렛(Chiplet)
6. Beyond 폰노이만의 두개의 축: 뉴로모픽반도체와PIM
7. RISC-V 동향
8. 스타트업 동향
9. 시사점 및 산업 활성화를 위한 정책제언

지능형 반도체 개요
인공지능 알고리즘 연산(학습, 추론)을 보조하는 전용의 반도체
지능형 반도체는 AI 연산을 병렬 프로세싱 구조의 반도체 아키텍처를 활용하여 높은 성능,
낮은 전력 소모를 실행(또는 지향)하는 연산 가속기
‒ AI 연산은 크게 학습과 추론으로 구분, 학습과 추론은 행렬에 의한 다중 병렬 연산 등에 기반
※ 학습데이터를 통해 도출된 학습 모델은 추론 연산에 적용, 추론의 정확도는 도출된 학습 모델에 좌우되고
이에 대응하는 학습 모델 개발을 위한 학습용 지능형 반도체의 주요 성능 스펙이 연산처리 속도(FLOPS)와
소비 전력이라면, 추론용 지능형 반도체는 정확도와 연산 레이턴시가 주요 성능 스펙
‒ CPU에서의 멀티 코어의 도입은 비약적으로 증대하는 단위 칩 면적당 전력 밀도*(W/cm2)를 낮추는
기여하였으나 적은 수의 연산 유닛으로 대용량 변수의 병렬처리를 요하는 AI연산 대응에는 한계
※ 인텔의 CPU 경우, 멀티 코어없이 단일코어에 주력했다면 P6(1995)의 전력 밀도는 P6 10W/cm2(핫플레이트에
해당) → 1,000W/cm2 (로셋 분사 노즐에 해당) 증가되었을 것으로 추정(Micromachines 2021, 12, 665), 다중
연산 유닛의 도입은 필연
‒ CPU가 하이 클럭의 고성능 연산 유닛으로 순차 연산인 반면, 지능형 반도체는 CPU 연산 유닛에
비해 성능은 다소 열위이나 수 천개 이상의 연산 유닛으로 병렬연산을 처리

AI 연산을 위한 반도체는 CPU, GPU, FPGA ASIC 등이 있으나, 연산 적용의 유연성은 CPU,
가성비와 효율성은 ASIC이 가장 유리
※ CPU를 기준으로 GPU 및 ASIC의 학습 데이터 처리 능력은 1,000배, 추론의 속도는 ASIC이 100배, 정확도는
CPU > GPU > FPGA > ASIC순으로 보고 [What They Are and Why They Matter (CSET, 2020.4)]

인공지능 알고리즘은 병렬 연산을 기반으로, 연산을 위한 학습 모델 데이터 변수의 개수는
증가일로에 있고, 추론용 반도체의 중요도도 증가할 전망
‒ GPT 자연어 학습 모델 변수의 경우 2018년 1억1천개 → 2020년 1천7백억개, 구글의 자연어
학습 모델(Switch-C)은 1조6천개로 지수함수적으로 변수 증가하여 PIM 구조 등이 부상
‒ AI 알고리즘의 발전, 이에 따른 학습 모델의 완성도가 올라갈수록 추론용 반도체 비중은 증가
‒ 복합지능 등 다양한 학습 모델에 대응하는 초거대 AI 연산의 학습 모델 개발과 저지연 및
고정확도를 지원하는 지능형 반도체는 필수