(읽기 3분 30초)
뉴로모픽 컴퓨팅(Neuromorphic Computing)은 기본적인 뇌기능을 기계로 전달하려고 시도.
인간게놈 2만 여개의 유전자 중 약 3분의 1이 뇌 발달에 필요하다고 추정. AI 시스템은 수천 대의 감시 카메라에서 실시간 비디오 데이터의 사람들을 식별 할 수 있다. 전형적인 약점은 많은 양의 학습 예제에 대한 의존성이며, 추상화하거나 올바르게 일반화하는 능력이 없다.

뉴런에서 AI(인공지능)으로

인간 두뇌의 가장 뛰어난 성과 중 하나는 학습 능력이다.
뉴로모픽 컴퓨팅(Neuromorphic Computing)은 이 기본적인 뇌 기능을 기계로 전달하려고 시도한다. 결과적으로 이러한 컴퓨터는 사람처럼 학습한다.
어떻게 작동할까?
두뇌를 기반으로 한 AI 시스템의 장점은 무엇일까? 

▲ 우리는 어떻게 뇌와 같은 복잡한 시스템을 연구하고, 모방 가능성은 있을까? 이미지:pixabay

중세 골렘에서 터미네이터, 대도시에서 "Wall-E"에 이르기까지, 인간의 두뇌를 이해하고 그 속성을 활용할 수 있게 만드는 것, 인간의 능력을 갖춘 무생물을 이용하는 것은 종종 위협이되기도, 유용하기도 하지만 항상 매혹적인 주제다.
오늘날 이러한 아이디어는 얼마나 실제적인가?
우리는 어떻게 뇌와 같은 복잡한 시스템을 연구하고, 모방 가능성은 있을까?

하이델베르그 대학교의 요하네스 쉠멜(Johannes Schemmel)과 연구원들은 뇌를 기반으로 컴퓨터를 만드는 일을 하고 있다. 이 뉴로모픽 시스템은 우리와 비슷한 방식으로 기능과 구조 수준에서 학습한다. 이미 첫 번째 성공을 했다.

언뜻보기에 뇌는 고마워해야 할 만한 연구 대상이다.
다루기에 크기가 적당하고 과학자가 생쥐 뇌에 만족하는 한 연구 재료가 부족하지 않다.
뇌 연구자들의 실제 상황은 다르게 보인다.

요하네스 쉠멜 박사(Dr. Johannes Schemmel, Kirchhoff Institut fuer Physik University Heldelberg Germany)의 글을 요약한다. 

▲ 뇌는 많은 수십억 개의 신경 세포의 집합체가 아니라 우리가 생각하고 배우게 하는 신경 세포 사이의 복잡한 상호 연결망이다.

전체는 부분의 합보다 크다

뇌는 천억 개 이상의 신경 세포를 가진 가장 복잡한 인간의 기관이며, 살아있는 유기체가 일하는 경우에만 활동성을 관찰 할 수 있다. 그때 가장 중요한 속성 중 하나가 명확해진다.
전체가 부분의 합보다 크다. 뇌는 많은 수십억 개의 신경 세포의 집합체가 아니라 우리가 생각하고 배우게 하는 신경 세포 사이의 복잡한 상호 연결망이다.

뇌는 발달 초기에 단일 세포에서 발생한다.
배아 발달 동안 신경 세포가 상호 작용하는 방식을 제어하는 ​​규칙이 있어야 한다. 현재의 지식 상태로, 이 규칙들은 우리의 유전 체계에만 저장될 수 있다. 인간 게놈에서 약 2만 개의 유전자 중 약 3분의 1이 뇌 발달에 필요하다고 가정한다. 이것만으로도 장기의 매우 복잡한 복잡성을 알 수 있다.

그렇다면 기계 사고를 모방하는 것, 즉 "인공 지능"(AI)을 만들기 위해 이 특별한 생물학적 복잡성을 해결하는 방법은 무엇일까?

체스에서 복잡한 실시간 전략까지

인공 지능은 이미 최고의 인간 체스 플레이어를 이긴 기계 승리와 같은 인상적인 결과를 가지고 있다. 그러나 체스 나 바둑과 같은 전통적인 보드게임 뿐만 아니라 현대 컴퓨터 기반의 실시간 전략 게임도 기계로 성공적으로 플레이 할 수 있다.
연구원들은 최근에 온라인 게임 "Starcraft"를 사용해 이것을 증명했다.

블러프를 포함한 포커는 이미 AI 시스템을 마스터한다.
AI 시스템은 거의 사고 없이 트래픽을 통해 차량을 운전하거나 수천 대의 감시 카메라에서 실시간 비디오 데이터의 사람들을 식별 할 수 있다. 이 모든 것은 오늘날 이미 존재하는 기계 학습 성과의 예다.

▲ 이세돌 과 알파고(alphagos) 네 번재 대국 사진: www.wekipedia.org

채택된 자연의 원리

인공 지능이 이러한 혁신을 달성하는 데 도움이 된 것은 자연의 원칙을 채택하는 것이었다. 여기에는 다층 신경 네트워크의 개념이 포함되며, 가장 복잡한 관계조차도 모방 할 수 있다. 연산이 이 작업에 필요한 메모리와 밀접하게 연결되어야 한다는 관찰도 고려된다.
그렇지 않으면 데이터 전송에 병목 현상이 발생한다.
이러한 방식으로 볼 때, 인공 지능의 진보는 주로 생체형태(biomorph) 설계원칙(design principle)을 모방하는 것에 기초한다.

뉴런처럼 배우기, 뉴로모픽 컴퓨팅은 어떻게 작동할까?

현재 사용되는 기계 학습 방법에 대한 최초의 과학적 기초가 1950년대에 개발되었을 때는, 두뇌 학습이 뉴런 수준에서 어떻게 작동하는지에 대한 대략적인 아이디어만 있었다.
이로 인해 발생하는 알고리즘은 의심할 여지없이 매우 강력하지만 마찬가지로 오늘날 구현되는 이러한 방법이 자연에서 발생하지 않는다는 것도 의심할 여지가 없다.

▲ 이세돌 과 알파고(alphagos) 네 번재 대국 사진: www.wekipedia.org     이세돌은 네번째 대국에서 알파고에 1 승을 거두었다.

약점을 갖고 배우기

이런 결함에 근거해 오늘날 인공 지능이 여전히 적용되는 데 많은 제한이 있다고 고심할 수 있다. AI 시스템의 전형적인 약점은 예를 들어 많은 양의 학습 예제에 대한 의존성이며,
또 다른 약점은 추상화하거나 올바르게 일반화하는 능력이 없다는 것이다.
예를 들어, 이것은 AI 시스템이 "편견"을 발전시키는 쪽으로 이끌 수 있다는 것이다.

연속적인 시간 진행 중에 교정을 위한 삽입이 없다는 것은 현재 AI 시스템의 결점이다.
학습, 환경에 대한 적응 및 행동이 공동 내부 상태에 의해 밀접하게 짜여지고 결정된 이후에야 조정될 수 있다. 기계에 이러한 기능이 있는 경우에만 자연환경에서 복잡한 작업을 독립적으로 수행 할 수 있다.

실제 예

이러한 취약점을 어떻게 해결하고 해결할 수 있을까?
우리는 “neuromorph computing 신경학적 컴퓨팅” 연구 그룹을 조직했다. 뉴로모프 컴퓨팅은 자연 모델을 정확하게 연구하고 응답을 얻기에 충분히 자연의 메커니즘을 이해해야 한다는 기본 가정을 가진 연구 방향이다.

뉴로모픽 컴퓨팅의 목표는 자연 신경계의 기능에 대한 완전한 지식을 인공 뉴런 시스템으로 전달하는 것이다. 이러한 생물학적으로 영감을 받은 인공 지능은 이상적으로 우수한 결과를 보여 주어야 한다.

그러나 다른 AI 연구자들이 신경 과학에 대한 지식을 포함시키는 대신 기존의 방법에 더 의존하는 데에는 충분한 이유가 있다.
이유 중 하나는 신경 세포가 자연적으로 서로 통신하는 복잡한 방법이다.
개별 신경 세포는 약 수천, 일부는 수백만 개의 다른 세포와 접촉한다. 컴퓨터 시스템으로 이 자연스러운 행동을 시뮬레이션하려면 각 신경 세포의 각 신호에 대해 최소한 천 개의 메시지를 보내서 관련된 받는 사람 세포에 배포해야 한다.

유연한 연결

설상가상으로, 신경 세포의 자연적인 연결은 정적으로 고정되지 않고 지속적으로 변한다.
매일 우리 뇌에서는 모든 신경 연결의 약 10%가 사라졌다가 새로운 연결로 대체된다.
어떤 연결이 끊어졌을까?
많은 외부 조건이 어떤 것이 약하거나 강해지는지를 결정한다. 지금까지 우리는 어느 것이 어느 부분인지 단지 가정하에 이해하고 있다.

현재 우리가 알고 있는 것은 완전한 신경 세포 집단으로부터의 신호가 공간적 및 시간적 패턴을 형성하고, 목표한 주변으로의 선 연결이 학습된다는 것이다.
이러한 배경과 관련해 확장된 질문은 다음과 같다.
신경형성 컴퓨팅은 학습 메커니즘 뿐만 아니라 신경 연결의 확립, 해체 및 재구성을 이해하는 데 어떻게 도움이 될 수 있을까?    (계속)

[더사이언스플러스=문광주]

[저작권자ⓒ the SCIENCE plus. 무단전재-재배포 금지]