KAIST, 저전력 인공지능 하드웨어 핵심 기술 개발

KAIST 신소재공학과 김경민 교수 연구팀이 두뇌에서 일어나는 신경 조율 활동을 구현한 인공지능용 하드웨어와 관련 알고리즘의 개발에 성공했다.



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 계속돼 왔다.

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.

연구 배경

뇌의 신경 활동은 모두 스파이크의 형태로 이루어져 있어, SNN 동작 시 뇌에서 일어나는 신경 활동을 적용시키는 다양한 시도가 가능할 것으로 보인다. 그중에서도 뇌의 신경 활동 중 신경 조율 (Neuromodulation)은 뉴런과 시냅스 사이의 흥분(Exciation) 및 억제(Inhibition) 을 관장하여 뇌로 하여금 외부 자극에 대하여 효율적인 기억을 가능하게 한다.

따라서 연구에서는 뇌 신경 활동 중 신경 조율 기능을 SNN에 적용함으로써 효율 적인 학습을 위한 알고리즘을 개발하고자 하였다. 더불어, 시냅스를 모사한 메모리 하드웨어의 어레이 데모를 통해 에너지 절감을 입증하고자 하였다.



연구 내용

SNN 인공 신경망은 학습된 데이터와 유사한 자극이 들어올 때 많은 방출 스파이크 빈도수를 보인다. 방출 스파이크를 측정하여 뉴런을 분류 하고 제외하는 회로를 T flip-flop 기반으로 설계하였고 에너지 소모의 감소를 Python 시뮬레이션을 통해 최적화하였다. 타 연구 성과에서 시뮬레이션 결과만을 보여준 것과는 다르게 64×16 크기의 CTM 멤리스터 어레이를 제작하여 MNIST 손글씨 데이터의 학습을 진행하였다. 그결과 시뮬레이션뿐만 아닌 실제 소자에서도 37%의 에너지 소모의 감소가 가능하다는 것을 확인하였다.

기대 효과

연구에서 개발된 CTM 멤리스터 어레이와 stashing 알고리즘은 SNN 기반의 모든 네트워크에서 범용성 있게 사용 가능하다는 장점이 존재 한다. 이는 앞으로 인공 지능을 위한 맞춤형 칩 설계 과정에서 stashing 알고리즘이 폭넓게 적용 가능하다는 것을 보인다. 또한 stashing 알고 리즘의 개발은 앞으로 인공 지능 분야에서 실제 뇌를 모방하는 것이 에너지 효율을 증대하는 등의 유의미한 결과를 얻을 수 있음을 입증한다.

따라서 생물을 모방하는 뉴로모픽 기술의 연구가 차세대 반도체 기술의 발전 이정표가 될 것으로 기대된다.