뇌 신경망 신경조율 활동서 착안…고전력 소모 문제 해결 가능성
신경망 특징 하드웨어에 구현…기존 대비 에너지 소비 37% 줄여
모든 인공 신경망에 사용 가능…차세대 AI용 반도체 칩 설계 기대
"인공지능(AI) 기술 발전은 전력 소모 문제 해결과 집적화 한계 극복에 달려 있다."
AI를 전자기기에서 구현하기 위해서는 맞춤형 하드웨어 개발이 필요한 데, 현재 대부분의 AI용 전자기기들은 많은 연산량을 수행하기 위해 높은 전력 소모와 고도로 집적된 메모리 배열을 사용하고 있다.
4차 산업 혁명 시대를 맞아 인공지능 기술 연구가 활발해지면서 AI 기반 전자기기들의 제품 출시가 이어지고 있지만 전력과 집적화는 여전한 난제다.
최근 국내 연구진이 뇌의 신경 조율 활동을 구현한 AI 하드웨어와 관련 알고리즘 개발에 성공해 눈길을 모으고 있다.
김경민 KAIST 교수(신소재공학과) 연구팀이 두뇌에서 일어나는 신경 조율 활동을 구현한 AI 하드웨어와 관련 알고리즘의 개발에 성공했다고 4월 19일 밝혔다.
지금까지 AI 기술 관련 전력 소모와 집적화 한계 문제를 해결하기 위해 인간의 뇌 활동에서 단초를 찾는 노력이 계속돼 왔다.
김경민 교수팀은 인간의 두뇌 신경망이 신경 조율(Neuromodulation) 기능을 통해 연결 구조를 상황에 따라 지속적으로 변화시키는 것에 착안했다. 이를 모방해 AI를 위한 수학적 연산을 효율적으로 처리할 수 있는 기술을 개발했다.
두뇌에서는 학습하는 과정에서 실시간으로 신경망의 연결도를 변경해 필요에 따라 기억을 저장하거나 불러내는데, 이런 신경 조율 기능을 하드웨어에서 직접 구현하는 새로운 방식의 AI 학습 방식이다.
김 교수팀은 개발된 기술의 효율성을 증명하기 위해 독자적인 전자 시냅스 소자가 탑재된 인공 신경망 하드웨어를 제작했으며, 여기에 개발한 알고리즘을 적용해 실제 AI 학습을 진행했다. 그 결과 AI 학습에 필요한 에너지를 37% 절약할 수 있었다.
공동 제1 저자인 정운형·전재범 KAIST 박사과정(신소재공학과)은 "인간의 두뇌는 생존을 위해 에너지 소모를 최소화하는 방향으로 진화해왔다"며 "이번 연구에서는 간단한 회로의 구성만으로 인간 두뇌의 학습 방식을 구현했으며, 이를 통해 40%에 가까운 에너지를 줄일 수 있었다"고 밝혔다. 이어 "이 기술은 범용적으로 모든 SNN(스파이킹 뉴럴 네트워크) 인공 신경망에서 사용할 수 있다"며 "뇌 활동을 모방해 개발한 새로운 학습 방식은 앞으로 AI 분야의 소프트웨어·하드웨어 분야가 나아가야 할 길의 이정표가 될 것"이라고 덧붙였다.
두뇌 신경 활동을 모방한 학습 알고리즘은 기존 전자기기 및 상용화된 반도체 하드웨어에 적용·호환할 수 있으며, 차세대 인공 지능용 반도체 칩의 설계에 사용할 수 있을 것으로 기대된다.
이번 연구는 국제 학술지 <어드밴스드 펑셔널 머터리얼즈>(Advanced Functional Materials) 3월 31일 자에 게재됐다. 논문명은 'Demonstration of Neuromodulation-inspired Stashing System for Energy-efficient Learning of Spiking Neural Network using a Self-Rectifying Memristor Array'.
