재구성 가능한 AI 장치, ‘뇌와 같은’ 가능성 보여줘
인공지능은 인간의 뇌를 결코 대체할 수 없습니다. 인간의 뇌가 새로운 것을 배울 때 적응한다는 사실이 이를 증명합니다.
퍼듀대학교 연구진이 뇌의 작동 방식처럼 새로운 데이터를 얻기 위해 끊임없이 재구성될 수 있는 컴퓨터 칩을 개발했습니다. 이를 통해 AI는 시간이 지나도 계속 학습할 수 있습니다. 컴퓨터 칩의 회로는 새로운 학습을 용이하게 하기 위해 끊임없이 새로운 시냅스 연결을 만드는 뇌와 달리 변하지 않습니다.
기계가 수년간 사용해 온 회로는 공장 엔진용으로 만들어진 회로와 동일합니다. 목표는 기계가 평생에 걸쳐 학습할 수 있는 플랫폼을 만드는 것입니다.
AI를 더 휴대하기 쉽게 만드는 데는 걸림돌이 있습니다. 예를 들어 자율주행 차량이나 원격지에서 스스로 결정을 내려야 하는 우주 로봇의 경우입니다. 현재처럼 소프트웨어가 아닌 하드웨어에 AI를 직접 구현할 수 있다면 이러한 기계는 더 효율적일 것입니다.
새로운 연구에 따르면, 개발된 적응형 장치는 AI 하드웨어에 필요한 모든 핵심 전기 부품으로 변환될 수 있어 로봇공학 및 자율 시스템에 잠재적으로 활용될 수 있습니다.
뇌에서 영감을 받은, 즉 ‘뉴로모픽’ 컴퓨터 하드웨어는 경험을 바탕으로 적응적으로 학습하고 극도로 에너지 효율적인 방식으로 정보를 빠르게 처리하는 인간 뇌의 탁월한 능력을 모방하는 것을 목표로 합니다.
뇌의 이러한 특성은 상당 부분 가소성 덕분입니다. 즉, 뉴런 형성 또는 ‘신경발생’과 같은 활동을 통해 시간이 지나면서 구조와 기능을 변화시키는 능력입니다.
“우리는 신경발생의 작동을 전기 하드웨어에서 모방할 수 있다면 평생 학습하는 기계를 만들 수 있을 것이라고 가정했습니다”라고 연구의 책임 저자이자 인디애나주 웨스트라파예트에 있는 퍼듀대학교의 전기공학자이자 재료과학자인 슈리람 라마나탄이 말했습니다.
라마나탄과 동료들은 니켈산 페로브스카이트를 이용해 매우 적응력이 높은 뉴로모픽 장치를 개발했습니다. 페로브스카이트는 지난 10년간 태양전지 성능에서 놀라운 발전을 이끈 결정체입니다.
연구진은 니켈산 페로브스카이트에 양성자를 주입했습니다. 이 물질에 가한 전기 펄스는 물질의 격자 내부에서 양성자를 이동시켜 전자적 특성을 바꿀 수 있습니다. 연구진은 양성자가 도핑된 니켈산 페로브스카이트로 만든 장치를 요구에 따라 저항기, 메모리 커패시터, 뉴런 또는 시냅스로 전기적으로 재구성할 수 있었습니다.
“이 한 장치로 여러 뉴로모픽 기능을 수행할 수 있습니다. 게다가 나노초 단위의 간단한 전기 펄스로 이 기능들 사이를 전환할 수 있습니다”
“이 장치의 다목적성은 많은 공간을 차지하고 많은 에너지를 소비하는 다양한 기능 블록의 집적을 피함으로써 복잡한 컴퓨팅 작업을 위한 AI 회로 설계를 단순화할 수 있습니다”라고 연구 공동저자인 퍼듀대학교 전기공학자이자 재료과학자 마이클 태준 박이 말했습니다. 그에 따르면 잠재적 응용 분야에는 로봇공학과 자율 시스템이 포함됩니다.
새 장치를 생물학적 뇌의 뉴런 구조를 모사한 인공 신경망에 적용해 시뮬레이션한 결과, 연구진은 새 장치의 재구성 가능한 특성 덕분에 신경망이 “복잡하고 끊임없이 변화하는 조건에서 기존의 정적 네트워크보다 더 효과적으로 결정을 내릴 수 있다”는 것을 발견했습니다.
새 장치는 상태 전환을 160만 사이클 동안 안정적으로 유지했습니다. “게다가 수소 이온은 초기 처리 후 장기간, 6개월 이상 장치 내에 머물러 있어 고무적입니다”라고 박이 말했습니다.
연구진은 이 장치가 필요에 따라 확장되는 네트워크에 쓰일 수 있다고 본다. 이는 요구에 따라 연산 능력을 늘릴 수 있는 신경망이다. 마찬가지로 이 장치가 규칙적으로 비활성 상태인 노드를 발견하면, 네트워크는 더 효율적이 되도록 규모를 줄일 수 있다.
연구진은 장치를 반도체 파운드리 공정과 호환되는 기술로 제작했다고 밝혔으며, 이는 전자 산업에서 쉽게 쓰일 수 있음을 시사한다.
“그러나 연구의 현 단계는 초기 수준이다. 이 장치로 대규모 집적 테스트 회로를 만들려면 훨씬 더 많은 작업이 필요하다”
연구진은 연구 결과를 Science 저널에 자세히 발표했다: "재구성 가능한 인공 뉴런과 시냅스를 사용해, 시뮬레이션된 동적 네트워크는 점진적 학습 시나리오에서 정적 네트워크를 능가했다. 필요에 따라 뇌에서 영감을 받은 컴퓨터의 구성 요소를 만들 수 있다는 점은 적응형 네트워크 분야에 새로운 방향을 열어준다".
