(서울=뉴스1) 김민수 기자 = 사람의 뇌처럼 필요한 순간에만 신호를 주고받아 전력 소모를 줄여 인공지능(AI)의 정확도를 높일 수 있는 학습기법이 국내에서 개발됐다.
한국과학기술연구원(KIST)은 박성식 반도체기술연구단 선임연구원 연구팀이 스파이킹 신경망(SNN)의 학습 성능을 높이는 '적응형·비대칭형 대리 기울기'(A²SG) 기법을 개발했다고 23일 밝혔다.
SNN은 뇌 신경세포가 전기 신호인 '스파이크'를 주고받는 방식을 모방한 인공신경망이다. 신호가 필요할 때만 작동하기 때문에 기존 심층신경망(DNN)보다 전력 소모를 줄일 수 있지만, 학습이 까다로워 정확도를 높이는 데 한계가 있었다.
AI는 학습 결과의 오차를 확인한 뒤 모델을 어느 방향으로 얼마나 수정할지 결정한다. 이때 길을 안내하는 '나침반' 역할을 하는 것이 기울기다. 하지만 SNN은 신호 전달 방식이 일반적인 인공신경망과 달라 기존 기울기 계산법을 그대로 적용하면 적절한 학습 방향을 찾기 어려웠다.
연구팀이 개발한 A²SG는 학습 상황에 따라 기울기를 스스로 조절하는 '적응형' 방식과 뇌 신경세포의 신호 누적·발화 특성을 반영한 '비대칭형' 방식을 결합했다. 학습 과정에서 변화하는 조건에 맞춰 모델의 수정 방향을 조정하도록 한 것이다.
연구팀은 A²SG를 트랜스포머 구조의 대형 SNN에 적용했다. 그 결과 대규모 이미지 인식 평가인 '이미지넷'(ImageNet)에서 SNN 분야 세계 최고 수준의 정확도를 기록했다.
구글이 개발한 기존 학습기법과 비교하면 추가 연산량은 약 6분의 1 수준에 그치면서도 더 높은 정확도를 보였다. 소형 신경망부터 대형 모델까지 서로 다른 구조와 응용 분야에서도 성능이 일관되게 향상됐다고 연구팀은 설명했다.
특히 A²SG는 별도의 반도체 구조 변경 없이 학습 소프트웨어만 바꿔 적용할 수 있어, 저전력 AI 기술을 실제 기기로 확산하는 데 필요한 하드웨어 부담을 낮출 수 있다는 점이 특징이다.
스마트폰과 웨어러블 기기, 드론에서 데이터를 직접 처리하는 온디바이스 AI와 24시간 작동하는 스마트 센서 등 전력 사용을 줄여야 하는 분야에 활용될 수 있다.
연구팀은 앞으로 더 큰 규모의 AI 모델과 뉴로모픽 반도체에서 성능을 검증할 계획이다. 이번에 확보한 학습 기술을 KIST가 개발 중인 확률 기반 차세대 반도체 '랜덤 프로세싱 유닛'(RPU)용 AI 모델에도 적용할 예정이다.
이번 연구는 세계 3대 AI 학회로 꼽히는 국제머신러닝학회(ICML) 2026 정규 논문으로 채택돼 지난 7일 서울 코엑스에서 발표됐다. 논문은 국제머신러닝학회 논문집(PMLR)에 게재될 예정이다.
kxmxs4104@news1.kr
