조정호 교수팀, 소자-알고리즘 융합 기반 신경 모방 시스템 이론 정립
- 2025.08.19
[사진. 조정호 교수]
화공생명공학과 조정호 교수 연구팀이 신경 모방(뉴로모픽) 디바이스와 머신러닝 알고리즘의 융합 가능성을 심층적으로 분석해, 차세대 인공지능 하드웨어를 위한 새로운 설계 방향을 제시했다. 연구팀은 신경 모방 시스템 구현에 효과적인 재료, 구조, 알고리즘을 분석하고, 디바이스의 물리적 제약을 보완할 머신러닝을 종합적으로 고찰했다. 본 연구는 국제 학술지 ‘International Journal of Extreme Manufacturing’ 2025년 4월호에 게재됐다.
현재의 컴퓨팅 구조는 연산과 메모리가 분리된 직렬적 구조를 채택하고 있어, 반복적인 데이터 이동이 이뤄질 시 신호의 병목 현상이 발생할 수밖에 없는 구조적 한계를 지니고 있다. 이러한 한계점은 수많은 연산이 요구되는 인공지능 분야에서 더욱 부각된다.
반면, 인간의 생체 신경계는 연산과 메모리가 통합된 병렬적 구조를 채택하고 있어 인공지능 연산처럼 많은 수의 연산을 한 번에 처리하기에 적합한 구조를 지니고 있다. 뉴로모픽 디바이스 혹은 뉴로모픽 컴퓨팅으로 정의되는 새로운 소자 및 컴퓨팅 구조는 이러한 생체 신경망을 모사한 하드웨어로, 소자 하나에서 메모리와 연산을 동시에 수행할 수 있어 인공지능 연산에 적합한 차세대 반도체로 주목받고 있다.
연구팀은 이러한 뉴로모픽 디바이스를 2-terminal 구조를 채택한 멤리스터(Memristor)와 기존 반도체 구조인 3-terminal 구조를 채택한 FET(Field Effect Transistor) 기반 시냅스 트랜지스터로 나누어 소개했으며, 각 구조의 뉴로모픽 디바이스를 효율적으로 사용하기 위한 머신러닝 알고리즘을 소개했다.
또한 연구팀은 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 스파이킹 신경망(Spiking Neural Network) 등 다양한 인공신경망 구조별로 요구되는 소자의 특성과 연산 방식의 차이를 정리하고, 각각에 최적화된 소자-알고리즘 결합 방식을 제시했다. 특히 역전파(backpropagation, BP)와 확률적 기울기 강하(stochastic gradient descent, SGD) 기반의 학습 알고리즘이 뉴로모픽 소자의 변동성을 보완하는 데 효과적이라는 점을 강조했다.
조정호 교수는 "생체 신경망을 모사한 뉴로모픽 컴퓨팅이 대중화된다면, 인공지능 연산을 더 효율적으로 처리해 실생활의 사소한 부분에서도 AI를 대중적으로 활용할 수 있다."며, 현재 AI 연구의 문제점으로 대두되는 높은 개발 비용을 타개할 수 있는 하나의 해결책으로 적용될 수 있다는 점을 설명했다.
조정호 교수는 이러한 뉴로모픽 컴퓨팅의 장점을 다양한 방식으로 학계에 보고 하고 있으며, 2023년엔 뉴로모픽 디바이스와 촉각 센서를 결합하고 이를 이용하여 저전력 경량 인공 촉각 시스템을 구성하는 연구를 수행했다. 기존의 인공 촉각 시스템이 센서와 연산부가 분리되어 시스템 경량화에 근본적 한계가 존재했다면, 해당 연구의 경우 센서와 연산부를 결합하여 근본적 시스템 경량화를 이뤄냈다는데 그 의의가 매우 높다. 또한, 촉각 자극에 대해 단순히 연산을 처리하는 것을 넘어서 다양한 자극을 학습하는 시스템을 만들었다는 점에서 연구적 가치를 매우 높게 평가받아, 세계적인 학술지 중 하나인 『Science Advances』에 게재됐다.
해당 연구 외에도, 조정호 교수 연구팀은 다양한 뉴로모픽 디바이스 및 시스템 연구(생체 근육 성장 모사 시스템, 지능형 생체 신호 진단 키트, 시냅스 - 뉴런 연산 시스템 등)를 활발히 수행하고 있다. 또한 뉴로모픽 연구 외에도 현재 여러 기업에서 주목하고 있는 반도체 소자 연구(이차원 반도체 기반 소자, 페로브스카이트 기반 LED 및 트랜지스터 등)를 진행하며, 차세대 반도체 소자 기술 성장에 이바지하고 있다.
기사 작성: 연세소식단 윤도연(식품영양 25) 학생