인간 두뇌 흉내내니 인공지능 전력 소모 줄었다

KAIST, 두뇌 신경 조율 활동 모방한 저전력 인공지능 하드웨어 핵심 기술 개발

두뇌의 신경 조율 활동을 모방, 인공지능 기기의 전력 소모를 줄이는 기술이 나왔다. 

KAIST(총장 이광형)는 신소재공학과 김경민 교수 연구팀이 두뇌에서 일어나는 신경 조율 활동을 구현한 인공지능용 하드웨어와 관련 알고리즘을 개발했다고 19일 밝혔다.

연구팀은 인간 두뇌의 신경망이 '신경 조율(Neuromodulation)' 기능을 통해 연결 구조를 상황에 따라 지속적으로 변화시키는 것을 모방, 인공 지능을 위한 수학적 연산을 효율적으로 처리하는 기술을 개발했다. 

신경 조율이란 뉴런과 시냅스 사이의 흥분과 억제를 조절, 두뇌가 학습하는 과정에서 실시간으로 신경망의 연결도를 변경해 필요에 따라 기억을 효율적으로 저장하거나 불러내는 것을 말한다. 

이러한 신경 조율 기능을 하드웨어에서 직접 구현하는 새로운 방식의 인공 지능 학습 방식을 제시한 것이 이번 연구의 핵심이다.  

스테이싱(Stashing) 알고리즘 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. (자료=KAIST)

인간의 신경망은 주요한 자극에만 스파이크처럼 튀는 강한 신호를 보내어 효율을 유지한다. 연구팀은 이를 모방한 인공 스파이크신경망(SNN)에서 방출되는 스파이크의 빈도 수를 기반으로 뉴런의 학습 정도를 평가, 학습이 충분히 진행된 뉴런을 일시적으로 신경망에서 제외하는 숨김(stashing) 알고리즘을 제시했다. 일시적으로 제외된 뉴런의 개수에 비례해 에너지 소모가 줄어든다.  

연구팀은 이렇게 개발한 알고리즘을 독자 개발한 멤리스터 기반 전자 시냅스 소자가 탑재된 인공신경망 하드웨어에 적용, 손글씨 읽기 학습을 진행했다. 그 결과 인공지능 학습에 필요한 에너지를 37% 절약할 수 있었다. 

이번 연구 성과는 향후 실제 뇌를 모방한 SNN 인공신경망에 범용성 있게 적용돼 에너지 효율 증대 등의 효과를 얻는데 쓰일 수 있다. 기존 전자기기 및 상용화된 반도체 하드웨어에 적용 및 호환할 수 있으며, 차세대 인공지능용 반도체 칩의 설계에도 쓰일 수 있다.

이번 연구는 국제 학술지 '어드밴스드 펑셔널 머터리얼즈(Advanced Functional Materials)'에 최근 게재됐다. 한국연구재단, SK하이닉스, 나노종합기술원(NNFC) 및 KAIST의 지원을 받아 수행됐다.