인공지능이 더 똑똑해지는 방법
이 글자크기로 변경됩니다.
(예시) 다양한 분야의 재밌고 유익한 콘텐츠를 카카오 플랫폼 곳곳에서 발견하고, 공감하고, 공유해보세요.
인공지능(인공신경망)의 학습 능력을 향상시키는 새로운 기술이 개발됐습니다. UNIST 신소재공학과 정홍식 교수팀과 중국 칭화대 연구진은 인공신경망 칩의 불안정성을 역이용해 인공신경망의 학습능력을 향상시키는 새로운 학습법을 제안했습니다. 본 연구는 'Nature Communications'에 게재됐습니다.
인공지능 학습 능력을 높이는 기술
인공신경망은 인공지능의 한 종류로 인간의 신경을 흉내낸 머신러닝 기법입니다. 인공신경망 칩은 뇌의 뉴런과 시냅스를 반도체 칩으로 구현하는 미래 기술입니다. 연구진은 인공신경망 칩처럼 동작이 가능한 상변화 메모리반도체(P-RAM) 기반 멤리스터(메모리반도체+저항) 어레이를 만들어 제안된 학습법의 효과를 입증했습니다. 이 학습법은 정보저장 물질(상변화물질)의 자발적 전기저항 증가를 이용하기 때문에 추가적 전력소모 없이 학습능력 향상이 가능하다는 장점도 있습니다.
- 상변화 메모리
물질의 상(phase)이 결정상과 비결정질을 오가는 것을 이용해 정보를 저장하는 메모리입니다. 비결정질 상태에서 시간이 지남에 따라 전기저항이 증가하는 저항드리프트 현상이 있습니다.
- 멤리스터(Memrister)
메모리(기억)와 레지스터(저항)의 합성어로, 기존 0 또는 1 디지털 정보만 저장하는 대신 다양한 아날로그 저항 값을 저장할 수 있어 뇌신경 시스템의 구성요소인 시냅스(synapse)를 구현할 수 있는 메모리 소자입니다.
정홍식 교수는 "반도체 소자의 불안정성을 최소화하려는 접근법 대신 이를 이용해 학습능력을 향상 시키는 접근법을 고안했다는 점에서 인공신경망 칩 개발의 새로운 패러다임을 제시한 연구"라고 설명했습니다.
인공신경망 칩을 쓰면 인간 뇌처럼 에너지는 적게 쓰면서 연산과 기억 작업을 동시 할 수 있습니다. 하지만 물리적으로 수많은 소자가 집적된 인공신경망 칩은 오차가 존재한다는 단점이 있습니다. 기존 인공신경망 학습방법은 오차가 없는 완벽한 인공신경망 칩을 가정한 학습방법이라 인공신경망의 학습능력이 떨어집니다.
정 교수 연구팀은 실제 인간 뇌도 완벽에 가까운 동작이 필요하지 않다는 점에서 착안해 상변화 메모리기반 멤리스터 인공신경망 학습법을 개발했습니다. 이 학습법은 메모리 반도체내 상변화물질의 '저항 드리프트 현상'(전기저항 증가)을 학습에 반영한 겁니다. 학습 과정 중 정보 업데이트 패턴이 시냅스 역할을 하는 멤리스터에 전기저항 증가 형태로 기록되기 때문에 시냅스는 자신이 변화하는 패턴과 학습하는 데이터간 연관성을 추가로 학습하게 됩니다.
연구팀은 숫자 0~9로 구성된 손 글씨를 분류하는 실험을 통해 개발된 학습법이 3% 정도의 학습능력 향상 효과를 가짐을 보였습니다. 특히 손 글씨 분류가 어려운 숫자 8의 경우 정확도가 더 크게 향상됐습니다. 손 글씨 분류 난이도에 따라 차별적으로 변화하는 시냅스 업데이트 패턴 덕분에 학습능력이 향상된 겁니다.
제1저자인 임동혁 연구조교수는 "상대적으로 분류하기 쉬운 숫자 1의 경우 시냅스 업데이트가 자주 발생했는데, 이는 뇌신경과학의 동물실험에서 나타나는 의사결정 확정도 (decision confidence) 와 높은 유사성을 갖는다는 점에서도 매우 흥미롭다"고 설명했습니다.
- 의사결정 확정도
어떤 상황을 인지하고 어떻게 행동을 해야 할지 결정하는 과정인 의사결정 과정 중 결정된 행동을 얼마나 신뢰할만한지(확정도) 판단할 수 있어야 잘못된 행동을 최소화할 수 있습니다. 동물실험에서는 결정 상황의 난이도에 따라 차별화된 뇌 활성도를 보이는데, 쉬운 결정이 맞거나 틀렸을 경우의 뇌 활성도 차이가 어려운 결정에 비해 더 크게 나타납니다.
연구진은 이번 연구가 최근 인공지능 분야의 두 가지 화두인 '인공신경망 칩의 개발'과 '인공신경망을 통한 뇌신경기능 구현' 잇는 인공지능기반 융합연구의 기폭제 역할을 할 것으로 기대했습니다.
##참고자료##
- Lim, DH., Wu, S., Zhao, R. et al. Spontaneous sparse learning for PCM-based memristor neural networks. Nat Commun 12, 319 (2021). https://doi.org/10.1038/s41467-020-20519-z
