STAR: Astrocyte-Inspired State-Augmented Repair for Supervised Memristive AI Hardware Systems

컴퓨터가 단순히 책상 위에 놓여 있는 것이 아니라, 우리 기기 속에 직접 내장된 뇌와 같은 작은 칩 형태인 세상을 상상해 보십시오. 이 칩들은 우리의 뇌 속 시냅스와 매우 유사하게 정보를 저장하고 처리하는 **멤리스터(memristor)**라는 특수한 부품을 사용합니다. 이 분야는 뉴로모픽 컴퓨팅(neuromorphic computing)이라 불리며, 인공지능을 더 빠르고 에너지 효율적으로 만드는 것을 목표로 합니다. 하지만 실제 뉴런처럼, 이 작은 전자 부품들도 시간이 지나면서 손상될 수 있습니다. 부품이 고장 나면 종종 한 가지 상태에 "고착"되는데, 완전히 꺼지거나 영구적으로 최대치에 도달하는 식입니다. 이는 매우 큰 문제입니다. 일단 하나의 가중치(컴퓨터 메모리의 한 조각)가 고착되면, 표준적인 방법으로는 그 오류를 극복하며 학습할 수 없기 때문입니다. 이는 마치 고장 난 피아노 건반을 더 크게 연주하려고 노력하는 것과 같습니다. 고장 난 건반은 아무리 세게 눌러도 움직이지 않기 때문입니다. 과학자들은 인간이 부품을 교체하거나 공간을 많이 차지하는 거대한 백업 시스템을 필요로 하지 않고도, 이 칩들이 스스로 치유될 수 있는 방법을 찾아왔습니다.

여기서 STAR라고 불리는 새로운 아이디어가 등장합니다. 펜실베이니아 주립대학교의 유수프 아메드 칸(Yusuf Ahmed Khan)과 동료들이 이끄는 연구진은 해결책을 찾기 위해 자연을 주목했습니다. 그들은 인간의 뇌에서 뉴런의 소통과 복구를 돕는 지원 세포인 **별아교세포(astrocytes)**에서 영감을 얻었습니다. 뇌 속에서 연결이 끊어지면, 별아교세포는 단순히 그 끊어진 전선 하나만을 고치는 것이 아니라, 주변의 건강한 뉴런들에게 부드러운 신호를 보내 그 손실을 보완하기 위해 행동을 조절하도록 독려합니다. 연구팀은 이 생물학적 기술을 컴퓨터 알고리즘으로 변환했습니다. STAR는 특정 전자 부품이 정확히 무엇인지 찾아내는 대신(이는 아주 작은 칩 내부에서는 매우 어려운 일입니다), 건강한 네트워크 부분이 시스템 전체가 병들기 전의 상태를 "기억"하도록 가르칩니다. 건강한 가중치들을 미세하게 조정하여 과거의 건강했던 패턴을 재현하게 함으로써, 컴퓨터는 상당한 수의 고장 난 부품이 있음에도 불구하고 성능을 회복할 수 있습니다.

문제점: 칩이 "고착"될 때

멤리스티브 칩을 정보의 흐름을 제어하는 거대한 격자 형태의 작은 스위치라고 생각해보십시오. 건강한 칩에서는 이 스위치들을 조정하여 컴퓨터의 학습을 미세하게 조정할 수 있습니다. 하지만 칩이 노후화됨에 따라 일부 스위치가 잼(jammed) 상태가 됩니다. 이들은 "꺼짐" 상태(SA-0)로 고착되거나 "켜짐" 상태(SA-high)로 완전히 열린 채 고착될 수 있습니다. 일단 스위치가 고착되면 컴퓨터의 메모리는 손상됩니다. 일반적으로 오류를 계산하기 위해 네트워크를 역방향으로 추적하는 표준 학습 방식은 여기서 실패하는데, 왜냐하면 고착된 스위치는 아무리 밀어도 움직이지 않기 때문입니다.

이 문제를 해결하려는 이전의 시도들은 집 안의 모든 전구마다 개별적인 비상 발전기를 설치하는 것과 같았습니다. 그들은 하드웨어 중복성(hardware redundancy), 즉 하나가 고장 나면 대신 작동할 여분의 부품을 추가하는 방식에 의존했습니다. 이 방식은 효과적이긴 하지만 비용이 많이 들고 무거우며 전력을 많이 소비합니다. 다른 방법들은 어떤 스위치가 고장 났는지 정확히 파악하여 그 주변으로 트래픽을 우회시키려 했지만, 이는 작고 독립적인 칩에는 실용적이지 않은 복잡하고 지속적인 스캐닝을 요구합니다.

해결책: 별아교세포의 "넛지(Nudge)"

2026년 7월 16일 프리프린트(preprint)에 발표된 이 논문의 저자들은 뇌의 자체 수리 팀인 별아교세포에서 영감을 얻은 다른 접근 방식을 제안했습니다. 인간의 뇌에서 별아교세포는 뉴런을 감싸고 있는 글리아 세포(glial cells)입니다. 이들은 단순히 자리만 지키는 것이 아니라, 신경망의 활동을 능동적으로 모니터링합니다. 만약 시냅스(뉴런 사이의 연결)가 실패하면, 별아교세포는 그 특정 연결을 고치려고 애쓰는 대신, 주변의 다른 건강한 연결들을 조정하는 화학적 신호를 방출하여 전체 그룹의 뉴런들이 동일한 활동 수준을 유지하며 함께 작동하도록 돕습니다.

연구진은 이 과정을 컴퓨터 모델에서 시뮬레이션했습니다. 그들은 네트워크에 영구적인 결함이 도입되었을 때, "별아교세포" 메커니즘이 생존한 시냅스를 조절함으로써 작동한다는 것을 발견했습니다.

• 연결이 "꺼짐" 상태(SA-0)로 고착되면, 별아교세포 신호는 건강한 연결들이 부족한 부분을 메우기 위해 더 열심히 작동하도록(강도를 높이도록) 지시합니다.
• 연결이 "켜짐" 상태(SA-high)로 고착되면, 신호는 이미 과하게 작동하고 있는 고착된 연결 때문에 건강한 연결들이 힘을 빼도록(강도를 낮추도록) 지시합니다.

결정적으로, 이 과정은 **집단 수준(population level)**에서 일어납니다. 시스템은 어떤 특정 전선이 끊어졌는지 알 필요가 없습니다. 단지 그룹의 전체적인 활동량이 변했고 이를 수정해야 한다는 사실만 알면 됩니다.

STAR가 컴퓨터에서 작동하는 방식

연구팀은 이러한 생물학적 통찰력을 STAR(STate-Augmented Repair)라고 불리는 알고리즘으로 구현했습니다. 그 작동 방식은 다음과 같습니다.

1. "전(Before)" 스냅샷: 칩이 손상되기 전, 컴퓨터는 훈련 세션을 실행하고 건강한 뉴런들이 작업을 올바르게 수행할 때의 모습을 담은 "스냅샷"을 찍습니다. 이들은 "활성화 타겟(activation targets)"(기본적으로 각 뉴런이 특정 작업에 대해 수행해야 하는 역할의 목록)을 저장합니다.
2. 손상: 그 후 칩에 결함을 주입하여 스위치가 고착되는 노후화 과정을 시뮬레이션합니다.
3. 수리 넛지: 컴퓨터는 스스로 재학습을 시도합니다. 하지만 단순히 정답(예: "이것은 고양이이다")을 맞추려고 노력하는 대신, 두 번째의 부드러운 넛지를 받습니다. 이 넛지는 "헤이, 네가 건강했을 때 어떤 모습이었는지 기억해봐. 그 패턴으로 다시 돌아가려고 노력해봐"라고 말합니다.
4. 결과: 건강한 가중치들은 "건강한 스냅샷"에 맞추어 스스로를 조정하며, 어떤 부분이 고장 났는지 파악하지 않고도 효과적으로 고장 난 부분을 보완합니다.

이 방법은 **평형 전파(Equilibrium Propagation, EP)**라는 학습 규칙을 사용합니다. 방대한 양의 데이터를 저장하여 오차를 역방향으로 계산해야 하는 전통적인 AI 훈련(역전파)과 달리, EP는 더 국소적이고 효율적이어서 이러한 작고 에너지 절약적인 칩에 완벽하게 적합합니다.

실험 결과

연구진은 두 가지 유형의 컴퓨터 네트워크, 즉 단순한 네트워크(MLP)와 이미지를 인식하는 더 복잡한 네트워크(CNN)를 대상으로 STAR를 테스트했습니다. 이들은 단순 네트워크에서는 연결의 최대 90%, 복잡한 이미지 인식 네트워크에서는 최대 **13%**까지 고장 난 부품이 있는 상황을 시뮬레이션했습니다.

• STAR 미사용 시: 칩에 이 정도로 많은 고장 난 부품이 있을 때, 표준 재학습 방식은 처참하게 실패했습니다. 정확도는 거의 0에 가깝게 떨어졌으며, 어떤 부품이 고장 났느냐에 따라 결과가 극도로 불일치했습니다.
• STAR 사용 시: 회복 효과는 극적이었습니다. 단순 네트워크의 경우, STAR는 고장 난 기준선(baseline)과 비교하여 정확도를 최대 **52.41%**까지 향상시켰습니다. 복잡한 이미지 인식 네트워크(CIFAR-10 데이터셋의 VGG-5)의 경우, 표준 방식은 종종 완전히 무너졌던 반면, STAR는 정확도를 69.97%에서 75.86% 범위 내에서 안정화했습니다.

가장 인상적인 발견 중 하나는 **저장 오버헤드(storage overhead)**였습니다. 이를 구현하기 위해 컴퓨터는 오직 "건강한 스냅샷"(활성화 타겟)만을 저장하면 됩니다. 논문에 따르면 복잡한 합성곱 신경망(CNN)의 경우 전체 모델은 45,053 KB일 수 있지만, 수리 타겟은 2,262 KB만을 차지합니다. 이는 20배의 감소를 의미합니다. 단순한 네트워크의 경우 절감 효과는 최대 191배로 훨씬 더 극적이었습니다. 이는 이 수리 메커니즘이 매우 가볍고 방대한 추가 메모리를 요구하지 않음을 의미합니다.

이것이 중요한 이유

저자들은 STAR가 지도 학습 기반의 국소 학습 규칙(EP와 같은) 하에서 작동하며, 합성곱 네트워크(이미지 인식에 사용되는 종류)까지 확장 가능한 최초의 수리 메커니즘이라는 점에서 중요한 진전이라고 제안합니다. 이전의 별아교세포 영감 방식들은 주로 작은 규모의 비지도 학습 네트워크에 국한되어 있었습니다.

이 연구는 정밀한 개별 수리보다는 집단 수준의 조정을 통해 치유하는 뇌의 능력을 모방함으로써, 훨씬 더 탄력적인 AI 하드웨어를 구축할 수 있음을 보여줍니다. 이는 미래의 칩이 처음부터 완벽할 필요가 없거나, 비싼 백업 시스템이나 복잡한 수리 지도 없이도 노후화되고 손상이 축적됨에 따라 효과적으로 계속 작동할 수 있음을 시사합니다. 연구진은 이것이 강력한 시뮬레이션이지만, 다음 단계는 실제 물리적 하드웨어에서 테스트하여 실제 환경에서 어떻게 작동하는지 확인하는 것이라고 언급했습니다.