[테크톡톡] D램 이어 낸드도 쌓는다… 삼성전자·SK하이닉스가 주목하는 ‘HBF’ 작성일 03-10 27 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">삼성전자, HBF 관련 기술 특허 다수 확보<br>SK하이닉스, 샌디스크와 ‘HBF 표준’ 마련<br>AI 시장, 학습서 추론으로 무게중심 이동<br>휘발성 D램 적층한 HBM 성능 한계 봉착<br>비휘발성 낸드 쌓은 HBF 해결책 부상</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="Pv1J8OtWke"> <figure class="figure_frm origin_fig" contents-hash="1c38e08a9a031364ff3d36cd864f2dc28d0f8e3329587e5023c665aa59590a9e" dmcf-pid="QTti6IFYgR" dmcf-ptype="figure"> <p class="link_figure"><img alt="일러스트=챗GPT" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173102433ouzf.jpg" data-org-width="1536" dmcf-mid="paTjdyztNw" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173102433ouzf.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 일러스트=챗GPT </figcaption> </figure> <p contents-hash="332ed848e979ef338bfd182fa121704654dea4cb4c1eb5528aa588f540ba296c" dmcf-pid="xyFnPC3GAM" dmcf-ptype="general">삼성전자·SK하이닉스가 인공지능(AI) 시장 변화에 맞춰 고대역폭플래시(HBF)를 차세대 먹거리로 주목하고 있습니다. SK하이닉스가 미국 메모리 반도체 기업 샌디스크와 ‘HBF 표준’ 마련 절차를 시작하면서 삼성전자보다 빠르게 시장 대응에 나섰다는 평가가 나옵니다.</p> <p contents-hash="4bce48a4a7afd6fb344020d3c52574dd3292304d3b4accf4368e3cccbf27cfec" dmcf-pid="yxg5vfaejx" dmcf-ptype="general">삼성전자 역시 최근 HBF 관련 특허를 연달아 획득하는 등 관련 기술 확보에 적극적인 모습이 관측되고 있습니다. 업계에 따르면 삼성전자는 2020년대 초반부터 HBF 관련 연구를 지속해 온 것으로 전해집니다. SK하이닉스처럼 공식 발표는 안 했지만, 꾸준히 HBF 영역에서 사업 확장 가능성을 살펴 온 셈입니다.</p> <p contents-hash="fdba1547338abf0892bde94336fb024dc2ff3d2aab038b0759672324d914c284" dmcf-pid="WMa1T4NdAQ" dmcf-ptype="general">양사는 그래픽처리장치(GPU) 등 AI 칩의 핵심 부품인 고대역폭메모리(HBM)를 생산하며 막대한 수익을 올리고 있습니다. 휘발성 기억 장치인 D램을 쌓아 데이터 전송 속도를 높인 HBM은 공급이 수요를 못 따라갈 정도로 많은 AI 서비스를 구동하는 데 쓰입니다.</p> <p contents-hash="f549c6859e64495449130abd3100cf60fa1ab04242c172b73551befd3776ee68" dmcf-pid="YikpHxEooP" dmcf-ptype="general">다만 AI 서비스가 상용화 단계에 접어들면서 기존 ‘학습’에서 실제 성능에 영향을 미치는 ‘추론’으로 무게중심이 이동하면서 HBM의 기술적 한계도 나타나고 있습니다. 휘발성 메모리를 기반으로 한 HBM은 용량을 늘리기 어려운 구조적 제약이 있습니다. AI 서비스가 개인화될수록 기억해야 하는 데이터 양이 많아지고 있는데 말이죠.</p> <p contents-hash="94ab97340336dac7c095bdcca65fd9bb94e80137440d449f9be3e884f6a6e0a8" dmcf-pid="GnEUXMDgc6" dmcf-ptype="general">이를 비휘발성 기억 장치인 낸드플래시를 적층한 HBF로 해결하려는 시도가 이뤄지고 있습니다. 일각에선 HBF 수요가 2038년쯤 HBM 수요를 넘어설 수 있다는 전망도 나옵니다. D램은 전원이 공급될 때만 데이터를 유지하지만, 낸드플래시는 전원이 꺼져도 저장된 데이터가 사라지지 않습니다.</p> <p contents-hash="5bec6af70f673b2054c18a94198763f1fc2e18b37f5ffe74175d1b1cb7c12cdc" dmcf-pid="HLDuZRwac8" dmcf-ptype="general"><strong>◇ ‘메모리 병목’ 해결한 HBM, AI 필수품으로 자리 잡아</strong></p> <p contents-hash="65948d40428996993d0ab39c616ba7a358b620a66e773465bc38720982c5f6e3" dmcf-pid="Xow75erNc4" dmcf-ptype="general">HBF가 ‘차세대 먹거리’로 부상한 배경을 이해하려면, 먼저 HBM이 어떻게 AI 필수품으로 자리를 잡았는지 짚어야 합니다. HBF가 ‘HBM의 한계’를 극복할 대안으로 여겨지고 있기 때문입니다.</p> <p contents-hash="05e89670c87cc17a84e099e7c544690aa26c123b0cefd93d92a2412f9b1f0741" dmcf-pid="Zgrz1dmjgf" dmcf-ptype="general">AI는 연산의 결과입니다. AI 등장 전까지는 직렬 처리 방식인 중앙처리장치(CPU)가 컴퓨터 운영체제에 필요한 연산을 담당했습니다. 메모리는 CPU가 필요로 하는 데이터만 제공하면 돼 큰 용량이 필요치 않았죠. 반면 AI는 방대한 매개변수(파라미터)를 기반으로 합니다. 대규모 행렬 곱과 벡터 연산이 필요한데, 기존 직렬 방식으로 이를 하나씩 처리하면 시간이 오래 걸립니다. 병렬 연산에 특화된 GPU가 AI에는 더 적합했던 것이죠. 같은 AI 모델의 연산을 GPU로 진행하면 CPU보다 처리 시간을 약 50% 단축할 수 있다는 연구 결과도 있습니다.</p> <p contents-hash="9c2447794c083e9503dee10b4db6ab8729e5708c67f7e0f90718ad240e56a397" dmcf-pid="5amqtJsAkV" dmcf-ptype="general">여기서 새로운 문제가 발생합니다. GPU에 데이터를 공급하는 D램의 용량·속도가 CPU에 맞춰져 있어 최대 효율을 내지 못한 거죠. 과거에는 CPU 연산이 완료될 때까지 D램이 데이터 공급을 기다리는 ‘연산 병목 현상’이 나타났는데, GPU에서는 그 반대인 ‘메모리 병목 현상’이 발생하는 겁니다. D램에서 데이터를 공급받지 못해 GPU가 연산을 멈추고 대기하면 효율성이 떨어질 수밖에 없죠. HBM은 D램을 적층해 데이터 통로를 넓혀 GPU가 요구하는 병렬 연산에 맞는 성능을 내 ‘AI 시대 핵심 부품’으로 부상했습니다. 대규모언어모델(LLM) 성능이 최근 1~2년 사이 대폭 상향될 수 있었던 배경에는 GPU와 HBM의 결합이 있었기 때문이라고 해도 과언이 아닙니다.</p> <figure class="figure_frm origin_fig" contents-hash="a15eee3f57fff314ca28e14272259f4ee3d8ba29fc1443cba17cf91675a3e934" dmcf-pid="1NsBFiOcj2" dmcf-ptype="figure"> <p class="link_figure"><img alt="삼성전자의 6세대 고대역폭메모리(HBM4) 제품./삼성전자" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173103752tnjm.jpg" data-org-width="1800" dmcf-mid="uzg5vfaeoE" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173103752tnjm.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 삼성전자의 6세대 고대역폭메모리(HBM4) 제품./삼성전자 </figcaption> </figure> <p contents-hash="59690ff5ed26a417b157d245f5c05d9667d1a24b6317a9b4028fffb04af8560f" dmcf-pid="tjOb3nIko9" dmcf-ptype="general"><strong>◇ AI 추론 시대, HBM 한계 봉착… HBF 대안으로</strong></p> <p contents-hash="779a613c3abcb10da37dc33a5acbd7dbfcc484ae08b6e1112549ea94c3433046" dmcf-pid="FAIK0LCEAK" dmcf-ptype="general">AI가 실제 서비스로 제공되려면 지연 시간 없이 동작하는 ‘추론’ 성능이 중요합니다. 주요 빅테크가 AI 서비스를 수익화하려는 움직임을 보이면서 시장 중심이 기존 학습에서 추론으로 옮겨갔다는 평가가 나오고 있습니다.</p> <p contents-hash="4346b8313e231d3b96167b8cad18e2d5656a3bd18e8b9e8b859d5c1b75258257" dmcf-pid="3cC9pohDAb" dmcf-ptype="general">AI 서비스를 동시에 사용하는 이용자가 급증하면서 HBM 중심의 기존 메모리 구조만으로는 추론 단계에서 요구되는 대용량 데이터 처리와 전력 효율성을 동시에 충족하기가 어렵습니다. 업계에 따르면 챗GPT에 탑재된 GPT-4 모델의 경우 추론에 3.6테라바이트(TB)가 필요한데, 현재 5세대 HBM(HBM3E)이 GPU에 제공하는 용량은 약 192기가바이트(GB)에 그칩니다. 추론 요청에 GPU 6~7개를 묶어서 사용해야 하고, 이는 서비스 제공에 필요한 비용 상승으로 이어지죠. 모델이 더욱 커지고 정교해질수록 비용이 상승하고 지연 시간이 길어지는 문제가 발생합니다.</p> <p contents-hash="d8a22bcbe5937a1d46777df9e19816d668a3b0ce264e0082526c774d163b8635" dmcf-pid="0kh2UglwaB" dmcf-ptype="general">개인화된 AI 서비스도 HBM 한계를 부각하는 요인이 되고 있습니다. AI가 사용자의 행동·대화를 기억해 맥락에 맞는 답변을 하기 위해선 더 많은 데이터를 저장하고 있어야 합니다. HBM은 전원이 끊기면 데이터도 사라져 연속성을 담보하기 어렵고, 용량을 대폭 늘리기에도 적합하지 않습니다.</p> <p contents-hash="46d1cf04ee706ca9555085f6359e3c0215dc290c814628f2505ed2cdbf176908" dmcf-pid="pElVuaSrcq" dmcf-ptype="general">많은 데이터를 저장하고 있다가 빠르게 연산 장치에 제공해 줄 수 있는 ‘새로운 메모리’가 필요해지고 있는 배경입니다. 솔리드스테이트드라이브(SSD)도 낸드플래시를 사용하긴 하지만, 데이터 전송 속도가 너무 느려 AI에는 적합하지 않습니다.</p> <figure class="figure_frm origin_fig" contents-hash="a121d15befd8600b3bf32827a3feb41f1093e71f98e4b6a31ed44f8cac91eb2f" dmcf-pid="UDSf7Nvmaz" dmcf-ptype="figure"> <p class="link_figure"><img alt="고대역폭플래시(HBF) 구조./샌디스크" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173105178dota.jpg" data-org-width="717" dmcf-mid="6s8Ic36bod" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/10/chosunbiz/20260310173105178dota.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 고대역폭플래시(HBF) 구조./샌디스크 </figcaption> </figure> <p contents-hash="cf80f20ced3ad1ee26f5bc99c7af1618868c3a79bd4ff4b3578bbf174bed3112" dmcf-pid="uwv4zjTsN7" dmcf-ptype="general"><strong>◇ D램보다 구조 복잡한 낸드… “기술 난제 푸는 기업이 시장 선점”</strong></p> <p contents-hash="4accedd66d4d3e896a260432885aef5026f6d3c29f4bca681410bce1107f7796" dmcf-pid="7ElVuaSrau" dmcf-ptype="general">HBF는 이런 HBM 중심의 메모리 구조의 한계를 극복할 기술로 꼽힙니다. 비휘발성 메모리면서 HBM과 비슷한 수준의 연산 접근성을 보일 것으로 기대되기 때문입니다. 이미 D램을 적층해 비슷한 효과를 관측한 터라 낸드플래시에서도 같은 접근이 이뤄지고 있는 것이죠.</p> <p contents-hash="7b2b607b6eb9057431d0f0f98b869574be39f8b94e2964c4816ab8276b67d4f2" dmcf-pid="zDSf7NvmgU" dmcf-ptype="general">HBF가 상용화된다고 해서 HBM이 시장에서 없어지지는 않을 것으로 보입니다. AI 칩을 구성할 때 HBF를 HBM과 SSD 사이에 위치시켜 성능을 끌어올리는 방식이 유력하기 때문입니다. 초고속 메모리인 HBM과 대용량 저장 장치인 SSD 특성 사이에서 발생하는 ‘공백’을 메워 추론 영역에서 요구되는 용량 확장·전력 효율성을 동시에 확보하겠다는 취지입니다.</p> <p contents-hash="7e71dede54936d25a9abacd881e8ad515cf40e9443cdda197c31959650ebc3c2" dmcf-pid="qwv4zjTsjp" dmcf-ptype="general">다만 HBF를 구현하는 데에는 몇 가지 기술적 난제가 존재합니다. 이미 평면(2D) 구조의 셀을 수직으로 쌓아 올린 3차원(3D) 낸드플래시가 일반적으로 쓰이고 있기 때문입니다. 이미 수백 단 적층한 구조로 쓰이고 있어 D램을 쌓는 것보다 구조가 복잡한 셈입니다. 그래서 HBM처럼 실리콘관통전극(TSV·반도체에 미세한 구멍을 뚫어 상·하단 칩을 수직으로 연결하는 패키징 기술) 공정을 바로 적용하면 수율이 대폭 하락합니다. 현재 업계에서는 이 때문에 3D 낸드플래시를 통째로 쌓아 HBF를 구현하는 방식이 논의되고 있습니다. 반도체 업계 관계자는 “기술 자체가 도전적이라 HBM보다 HBF의 구현 난도가 높다”고 말했습니다.</p> <p contents-hash="3e1ee85a9bd8a47d34d249ce9190d78eb2dfec344f0125404414d704af6e3e6f" dmcf-pid="BrT8qAyON0" dmcf-ptype="general">데이터의 처리 순서를 정하는 기술도 까다롭습니다. HBM 하단에 위치하는 ‘로직 다이’는 다수의 D램을 제어하는 역할을 합니다. HBF 역시 여러 낸드플래시에 병렬로 동시 접근해 자료 처리 순서를 정하는 ‘컨트롤러’가 필요합니다. 다만 낸드플래시가 구조적으로 입출력 속도가 느려 AI 성능에 맞는 컨트롤러를 설계하는 데에도 근본적인 혁신이 필요하다는 분석이 나오고 있습니다. 반도체 업계 관계자는 “컨트롤러의 성능을 끌어올리기 위해 접근 양식을 예측해 데이터를 미리 읽어두는 식의 기술 개발이 논의되고 있다”고 말했습니다.</p> <p contents-hash="30699ca175f3fa0ae017d868d06f05286508fb62d1d035910d5bf335f172b4e3" dmcf-pid="bmy6BcWIN3" dmcf-ptype="general">삼성전자와 SK하이닉스는 HBF가 가지는 시장 가능성에 주목, 구현에 필요한 기술 난제를 해결하기 위한 다양한 방식을 실험하고 있습니다. 삼성전자는 3차원 입체 구조의 반도체 트랜지스터 기술인 ‘핀펫’(FinFET) 구조를 컨트롤러에 접목해 HBF를 구현하는 식으로 개발에 접근하는 것으로 알려져 있습니다. SK하이닉스는 HBM에도 적용했던 VFO(칩과 회로를 연결하는 와이어를 곡선에서 수직으로 바꾼 반도체 패키징 기술) 공정을 HBF에도 적용해 수율 문제를 해결하는 식으로 개발을 진행 중입니다. TSV로 관통시키는 방식 대신 칩 외곽을 따라 수직으로 연결하는 구조로 HBF를 구현하겠다는 겁니다.</p> <p contents-hash="0ffac126816df07b89b64864d91a4f44a9e4be642f8c4e8bf28d3db87a283d2d" dmcf-pid="KsWPbkYCaF" dmcf-ptype="general">한 시장조사업체 연구원은 “HBF가 상용화된다면 HBM처럼 메모리 반도체 시장의 ‘게임 체인저’가 될 수 있을 것”이라며 “삼성전자와 SK하이닉스 모두 기반 기술 확보를 진행하고 있는 만큼 구현에 필요한 난제를 해결하는 기업이 차세대 시장을 선점할 것으로 본다”고 말했습니다.</p> <p contents-hash="dbfdfecb1ee7eb0f9bcd3b6b6c45ca45103dd352d4df3722f7e7e98ea1faa728" dmcf-pid="9OYQKEGhNt" dmcf-ptype="general">- Copyright ⓒ 조선비즈 & Chosun.com -</p> </section> </div> <p class="" data-translation="true">Copyright © 조선비즈. 무단전재 및 재배포 금지.</p> 관련자료 이전 로보택시 다음은 에어택시 … 미국서 '이륙' 03-10 다음 오픈소스 악용해 아시아 인프라 공격... 깊어지는 中 사이버 첩보 위협 03-10 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
