IBM과 인텔의 뉴로모픽 기술, X선 영상 및 금융 시장 분석에 유용할 수 있어
뇌에서 영감을 얻은 IBM과 인텔의 “뉴로모픽” 마이크로칩은 인공지능에만 쓰이지 않을 수도 있습니다. 새로운 연구 결과에 따르면, 이 칩들은 의료 X선 영상 분석과 금융 경제 등 폭넓은 분야에 활용되는 계산 작업에도 이상적일 수 있다고 합니다.
과학자들은 오래전부터 신경망이라고 알려진 프로그램과 뉴로모픽 칩이라고 불리는 하드웨어를 통해 뇌의 작동을 모방하려 노력해 왔습니다. 지금까지 뉴로모픽 컴퓨팅은 주로 신경망 구현에 집중되어 왔습니다. 이 하드웨어가 AI 응용 분야 외에서도 유용할지는 불분명했습니다.
뉴로모픽 칩은 보통 여러 방식으로 뉴런의 작동을 모방하며, 예를 들어 많은 계산을 병렬로 수행합니다. 또한 생물학적 뉴런이 계산과 데이터 저장을 동시에 하는 것처럼, 뉴로모픽 하드웨어는 프로세서와 메모리를 결합하는 경우가 많아, 일반 컴퓨터가 이 구성 요소들 사이에서 데이터를 옮길 때 낭비하는 에너지와 시간을 줄일 수 있습니다.
일반 마이크로칩은 회로 동작을 조율하기 위해 일정한 간격으로 발생하는 신호를 사용하는 반면, 뉴로모픽 구조의 활동은 전하가 특정 값에 도달할 때만 발생하는 스파이크 형태로 나타나는 경우가 많습니다. 이는 우리 뇌와 매우 비슷한 방식입니다.
지금까지 뉴로모픽 컴퓨팅의 가장 큰 장점은 에너지 효율이었습니다. 스파이크와 메모리·처리 결합 같은 기능 덕분에 IBM TrueNorth 칩은 당시 일반 마이크로프로세서보다 전력 밀도가 네 자릿수(1만 배) 낮았습니다.
“여러 연구를 통해 뉴로모픽 컴퓨팅이 에너지 효율 면에서 이점이 있을 것이라는 것은 알고 있습니다. 하지만 실제로는 작업 속도가 훨씬 느려진다면 사람들은 에너지 절약에 관심을 갖지 않습니다.”
이제 과학자들은 뉴로모픽 컴퓨터가 이른바 몬테카를로 방법에 잘 맞을 수 있다고 봅니다. 이 방법은 문제를 본질적으로 게임처럼 다루고, 수많은 무작위 시뮬레이션 또는 이 게임의 “무작위 걷기”를 통해 해답을 얻습니다.
“우리는 일반 하드웨어에서 잘 확장되지 않는 문제를 살펴보면서 무작위 걷기에 이르게 되었습니다. 보통 몬테카를로 방법의 해법은 좋은 결과를 얻기 위해 많은 수의 무작위 걷기가 필요합니다. 각 걷기가 시간에 따라 무엇을 하는지는 개별적으로 계산하기 쉽지만, 실제로 그렇게 많은 걷기를 수행해야 하는 필요성은 지나치게 커집니다.”
반면 각자 자체 계산을 수행하는 무작위 걷기 객체 집단을 병렬로 시뮬레이션하는 대신, 과학자들은 무작위 걷기가 수행할 수 있는 모든 계산을 나타내는 단일 뉴로모픽 회로 격자를 프로그래밍할 수 있습니다. 그런 다음 각 무작위 걷기를 격자 위를 움직이는 스파이크로 생각하면, 문제 전체를 한 번에 풀 수 있습니다.
특히 이전 연구들이 양자 컴퓨팅이 많은 작업 집합에서 고전 컴퓨팅에 대한 “양자 우위”를 보여줄 수 있음을 밝혀낸 것처럼, 연구자들은 이산 시간 마르코프 연쇄를 통한 무작위 걷기와 관련해 “뉴로모픽 우위”가 존재할 수 있음을 발견했습니다.
“문제를 보드게임으로 생각하면, 여기서 “연쇄”는 일련의 상태나 공간을 거쳐 가는 게임을 뜻합니다. 마르코프 연쇄란 다음에 갈 수 있는 게임 속 위치가 과거 이력이 아니라 현재 위치에만 달려 있다는 뜻으로, “모노폴리”나 “캔디랜드” 같은 보드게임과 같습니다. “이산 시간”은 공간이 바뀌는 사이에 고정된 시간 간격, 즉 한 턴이 있다는 뜻입니다.”
IBM TrueNorth와 인텔 Loihi 뉴로모픽 칩, 서버급 인텔 Xeon E5-2662 프로세서, 엔비디아 Titan Xp 그래픽 처리 장치를 이용한 실험에서 연구진은 이런 종류의 문제를 대규모로 풀 때 뉴로모픽 칩이 전력 소비와 경쟁력 측면에서 일반 반도체보다 효율적이었고, 시간 측면에서는 그보다 낫지는 않더라도 대등하다는 것을 발견했습니다.
“저는 AI를 위한 뉴로모픽 컴퓨팅이 매우 흥미롭고, 뇌를 본떠 만든 하드웨어가 더 똑똑하고 강력한 AI로 이어질 것이라고 굳게 믿습니다. 하지만 동시에, 뉴로모픽 컴퓨팅이 일반적인 컴퓨팅 응용 분야에서도 효과적일 수 있음을 보여줌으로써, 이 기술은 사회에 훨씬 더 넓은 영향을 미칠 수 있습니다”
뉴로모픽 칩이 성능과 에너지 효율에서 우위를 갖게 된 방법 중 하나는 높은 수준의 병렬성이었습니다. 여기에 더해, 각각의 무작위 보행을 더 복잡한 일련의 동작 대신 하나의 스파이크 활동으로 표현할 수 있는 능력이 이를 더욱 강화했습니다.
“이러한 몬테카를로 방법의 가장 큰 한계는 많은 수의 보행자를 시뮬레이션해야 한다는 점입니다. 스파이크는 무작위 보행을 표현하는 매우 단순한 방식이기 때문에, 무작위 보행자를 하나 더 추가하는 것은 시스템에 스파이크를 하나 더 넣어 나머지 모든 스파이크와 병렬로 작동하게 하는 것에 불과합니다. 따라서 보행자를 추가하는 데 드는 시간 비용은 매우 저렴합니다”
이런 유형의 문제를 효율적으로 해결할 수 있는 능력은 금융 시장에서 주식과 옵션을 모델링하는 것, X선이 뼈와 연조직과 상호작용하는 방식을 더 잘 이해하는 것, 정보가 소셜 미디어에서 퍼져 나가는 경로를 추적하는 것, 질병이 인구 집단 사이에서 전파되는 양상을 모델링하는 것 등 광범위한 잠재적 응용 분야를 가지고 있습니다. 아이모네는 "이 접근법의 응용은 어디에나 있다"고 생각합니다.
하지만 일부 과제에서 뉴로모픽 이점이 존재할 수 있다는 사실이 "뇌에서 영감을 받은 컴퓨터가 모든 면에서 일반 컴퓨터보다 낫다는 뜻은 아니다"라고 아이모네는 경고합니다. 그의 말에 따르면, 컴퓨팅의 미래는 다양한 기술의 결합에 있을 가능성이 높습니다. 과학자들은 뉴로모픽 기술이 모든 것을 대체할 것이라고 말하려는 것이 아닙니다.
현재 과학자들은 이 시나리오에서 여러 "보행자", 즉 참여자들 사이의 상호작용을 제어하는 방법을 연구하고 있으며, 이를 통해 분자 동역학 시뮬레이션과 같은 응용이 가능해질 것입니다. 또한 다른 개발자들이 이 연구를 발전시킬 수 있도록 소프트웨어 도구도 개발하고 있습니다.
