- 김경민 교수 연구팀, 에너지 소모를 최소화하는 두뇌의 신경 조율 활동에 착안해 인공지능용 전자기기에 요구되는 높은 전력 소모 문제를 해결할 수 있는 인공지능 연산 알고리즘 및 하드웨어 개발
- 기억을 일시적으로 저장하고 불러내는 두뇌 신경망의 특징을 하드웨어에서 구현해 기존 대비 에너지 소비를 37% 절약 가능
- 뇌 활동을 모방해 개발한 학습 방식은 범용성 있게 모든 스파이크 기반 인공 신경망에서 사용 가능하며 차세대 인공지능용 반도체 칩 설계에도 사용될 것으로 기대
KAIST(총장 이광형)는 신소재공학과 김경민 교수 연구팀이 두뇌에서 일어나는 신경 조율 활동을 구현한 인공지능용 하드웨어와 관련 알고리즘의 개발에 성공했다고 19일 밝혔다.
4차 산업 혁명 시대를 맞아 인공지능 기술(Artificial Intelligence; AI)의 연구가 활발해지고 이에 따라 인공지능 기반 전자기기들의 개발 및 제품 출시가 가속화되고 있다. 인공지능을 전자기기에서 구현하기 위해서 맞춤형 하드웨어의 개발 또한 뒷받침돼야 하는데, 현재 대부분의 인공 지능용 전자기기들은 많은 연산량을 수행하기 위해 높은 전력 소모와 고도로 집적된 메모리 배열을 사용하고 있다.
인공 지능의 능력 향상을 위해 이러한 전력 소모 및 집적화 한계의 문제를 해결하는 것은 인공 지능 기술 분야의 커다란 과제이며, 인간의 뇌 활동에서 문제 해결의 단서를 찾고자 하는 노력이 계속돼왔다.
김경민 교수 연구팀은 인간의 두뇌 신경망이 신경 조율(Neuromodulation) 기능을 통해 연결 구조를 상황에 따라 지속적으로 변화시키는 것을 모방, 인공 지능을 위한 수학적 연산을 효율적으로 처리할 수 있는 기술을 개발했다. 두뇌에서는 학습하는 과정에서 실시간으로 신경망의 연결도를 변경해 필요에 따라 기억을 저장하거나 불러내는데, 이러한 신경 조율 기능을 하드웨어에서 직접 구현하는 새로운 방식의 인공 지능 학습 방식을 제시한 것이다.
연구팀은 개발된 기술의 효율성을 증명하기 위해 독자적인 전자 시냅스 소자가 탑재된 인공 신경망 하드웨어를 제작했으며, 여기에 개발한 알고리즘을 적용해 실제 인공지능 학습을 진행했고, 그 결과 인공지능 학습에 필요한 에너지를 37% 절약할 수 있었다.
공동 제1 저자인 KAIST 신소재공학과 정운형 박사과정과 전재범 박사과정은 "인간의 두뇌는 생존을 위해 에너지 소모를 최소화하는 방향으로 진화해왔다. 이번 연구에서는 간단한 회로의 구성만으로 인간 두뇌의 학습 방식을 구현하였으며, 이를 통해 40%에 가까운 에너지를 줄일 수 있었다, 이는 범용성 있게 모든 SNN(스파이킹 뉴럴 네트워크) 인공 신경망에서 사용 가능한 장점을 가진다ˮ며 "뇌 활동을 모방해 개발한 새로운 학습 방식의 착안은 앞으로 인공 지능 분야의 소프트웨어·하드웨어 분야가 나아가야 할 길의 이정표가 될 것이다ˮ라고 말했다.
이러한 두뇌 신경 활동을 모방한 학습 알고리즘은 기존 전자기기 및 상용화된 반도체 하드웨어에 적용 및 호환을 할 수 있으며 차세대 인공 지능용 반도체 칩의 설계에 사용할 수 있을 것으로 기대된다.
이번 연구는 국제 학술지 `어드밴스드 펑셔널 머터리얼즈(Advanced Functional Materials)'에 지난 3월 31일 자에 게재됐으며 한국연구재단, ㈜SK Hynix, 나노종합기술원(NNFC) 및 KAIST의 지원을 받아 수행됐다. (논문명: Demonstration of Neuromodulation-inspired Stashing System for Energy-efficient Learning of Spiking Neural Network using a Self-Rectifying Memristor Array).
그림 1. 스테이싱(Stashing) 알고리즘에 관한 모식도: 뇌의 신경 조율 활동은 뇌 내 시냅스의 학습 정도에 따라 이에 연결된 뉴런에 자극 전달 여부를 결정하게 된다. 이에 착안하여 stashing 알고리즘은 방출되는 스파이크의 빈도수를 기준으로 학습 정도를 판단하고 회로를 통해 뉴런의 연결도를 수정한다.
그림 2. CTM 멤리스터 데모: 64×16 크기의 CTM 멤리스터 어레이를 제작하여 MNIST 손글씨 데이터셋을 학습시켰다. 학습이 진행됨에 따라 점차 손글씨 데이터셋과 유사하게 뉴런의 모습이 변하는 것을 확인할 수 있다. 그림의 빨간색 박스로 표시된 부분은 stashing 이 되어 네트워크에서 일시적으로 제외된 뉴런들을 나타낸다.
