Ag/Al₂O₃/ITO memristor for honeybee-inspired associative learning, behavioral emulation, and conductance-constrained flower classification

자연계의 고요한 구석에서 꿀벌은 학습의 정수를 보여줍니다. 이 곤충들은 단순히 환경에 반응하는 것이 아니라, 자신이 감지하는 것과 받는 것 사이에 복잡한 연관성을 구축합니다. 벌은 특정 향기나 색상을 달콤한 보상과 연결하는 법을 배우며, 과거의 경험을 바탕으로 자신의 행동을 조절합니다. 이러한 능력은 동물이 학습하고 기억함에 따라 강해지거나 약해지는 신경 세포 사이의 작은 접점인 시냅스, 즉 뇌의 시냅스에 의존합니다. 수십 년 동안 과학자들은 단순히 숫자를 계산하는 것이 아니라 살아있는 생명체처럼 학습하는 컴퓨터를 만들기 위해, 이러한 생물학적 유연성을 모방하는 전자 장치를 구축하고자 노력해 왔습니다. 이러한 모방의 핵심은 멤리스터(memristor)라고 불리는 부품에 있는데, 이는 얼마나 많은 전기가 통과했는지를 기억하는 일종의 전자 스위치입니다. 단순히 켜짐 또는 꺼짐 상태만을 갖는 표준 스위치와 달리, 멤리스터는 과거의 활동에 따라 시냅스가 그 강도를 변화시키는 것처럼 다양한 저항 상태에 안착하여 자신의 행동을 바꿀 수 있습니다.

닝보 대학교의 연구팀은 이제 단 하나의 단순한 전자 장치가 기초적인 기억부터 복잡한 의사 결정에 이르기까지 이러한 정교한 생물학적 행동 중 여러 가지를 복제할 수 있음을 입증했습니다. 연구진은 은(silver), 산화알루미늄(aluminum oxide), 그리고 전도성 유리(conductive glass) 층을 사용하여 꿀벌의 학습 과정을 밀접하게 닮은 방식으로 전기 펄스에 반응하는 구조를 만들어 아주 작은 부품을 제작했습니다. 전기의 흐름을 정밀하게 제어함으로써, 과학자들은 이 장치가 두 가지 서로 다른 신호를 연관시키고, 교훈을 잊었다가, 다시 더 빠르게 재학습하도록 훈련될 수 있음을 보여주었습니다. 이 장치는 심지어 서로 다른 수준의 각성 상태를 모방하여 수면, 졸음, 깨어남을 나타내는 상태 사이를 전환할 수도 있었습니다. 가장 의미 있는 점은, 연구진이 이 장치에 의해 생성된 특정한 전기적 상태가 실세계의 문제를 해결하는 데 사용될 수 있음을 증证明했다는 것입니다. 즉, 다양한 종류의 꽃 사진을 식별하는 작업입니다. 이 장치는 단순히 학습 과정을 시뮬레이션하는 데 그치지 않고, 표준 컴퓨터 프로그램과 거의 동일한 정확도로 이미지를 분류하며 실제 신경망의 역할을 수행했습니다.

장치 자체는 사람 머리카락 너큼의 폭을 가진 작은 수직 적층 구조입니다. 바닥에는 전도성 유리 층이 있고, 그 위에 얇은 산화알루미늄 막이 있으며, 맨 위는 은 층으로 덮여 있습니다. 연구진이 상단의 은 층에 전압을 가했을 때, 그들은 매혹적인 물리적 변화를 관찰했습니다. 은 원자들이 이온으로 분해되어 절연체인 산화알루미늄 층을 통해 이동한 뒤, 결국 상단과 하단을 연결하는 아주 작은 전도성 브리지 또는 필라멘트를 형성한 것입니다. 이 필라멘트는 전류가 얼마나 흐르도록 허용되느냐에 따라 굵어지거나 가늘어질 수 있는 와이어 역할을 합니다. 전류가 제한되면 필라멘트는 가늘게 유지되어 장치의 저항이 높아집니다. 전류가 더 자유롭게 흐르게 되면 필라멘트가 굵어져 전기가 더 잘 통하게 됩니다. 이 은 브리지의 물리적인 성장과 축소가 바로 장치가 과거를 기억하게 하는 원리인데, 필라멘트의 크기가 미래의 신호에 장치가 어떻게 반응할지를 결정하기 때문입니다.

이 단순한 메커니즘이 꿀벌의 복잡한 학습을 모방할 수 있는지 테스트하기 위해, 연구진은 장치에 일련의 전기 펄스를 가했습니다. 그들은 장치가 학습 중에 시냅스가 강화되는 것과 유사하게 전도성을 점진적으로 높이거나, 기억이 약해지는 것을 모방하여 전도성을 낮출 수 있다는 것을 발견했습니다. 또한 두 개의 펄스가 연속적으로 전달될 경우 두 번째 펄스가 첫 번째보다 더 강한 반응을 생성하는 현상을 관찰했는데, 이는 생물학적 뇌에서 흔히 나타나는 '쌍 펄스 촉진(paired-pulse facilitation)' 현상입니다. 장치는 이러한 서로 다른 상태를 100초 이상 유지하여, 의미 있는 시간 동안 정보를 보유할 수 있음을 보여주었습니다. 펄스의 강도와 타이밍을 변화시킴으로써 연구팀은 장치가 특정 행동을 보이도록 프로그래밍할 수 있었습니다. 그들은 개가 음식과 연관된 종소리를 들으면 침을 흘하도록 학습하는 것과 마찬가지로, 장치가 강한 신호와 결합된 후에만 약한 신호에 반응하도록 학습하는 파블로프식 조건 형성을 성공적으로 재현했습니다.

연구진은 한 걸음 더 나아가 이 장치가 학습과 망각의 흐름 또한 모델링할 수 있음을 입증했습니다. 자극을 멈추면 전기적 반응이 서서히 사라졌는데, 이는 망각의 자연스러운 과정을 나타냅니다. 그러나 훈련 펄스를 다시 시작하면 장치는 처음보다 훨씬 빠르게 행동을 재학습했는데, 이는 원래의 기억 흔적이 남아 있음을 시사합니다. 또한 그들은 서로 다른 전기적 활동 수준을 의식 상태에 매핑했습니다. 매우 약한 펄스는 낮은 반응을 생성하여 수면 상태로 매핑되었고, 중간 정도의 펄스는 졸음 상태를, 강한 펄스는 깨어남 상태를 나타내는 높은 반응을 유도했습니다. 이는 단일 장치 구조가 물리적 구조를 변경하지 않고도 전달되는 전기 신호의 패턴을 바꾸는 것만으로도 광범위한 이력 의존적 행동을 생성할 수 있음을 보여주었습니다.

마지막으로, 연구팀은 이러한 학습된 전기적 상태가 실질적인 과업, 즉 꽃을 식별하는 데 사용될 수 있는지 테스트했습니다. 그들은 데이지, 민들레, 장미, 해바라기, 튤립 이미지를 인식하도록 설계된 표준 컴퓨터 프로그램의 마지막 부분을 자신들의 멤리스터 장치의 전도도 상태로 교체했습니다. 이 프로그램은 장치의 다양한 저항 상태를 유지하는 능력을 사용하여 의사 결정 과정의 가중치(weights)를 표현했습니다. 시스템을 꽃 이미지 데이터셋에 대해 테스트했을 때, 86.55%의 정확도를 달립했습니다. 이 결과는 순수 소프트웨어로 실행되는 표준 컴퓨터 프로그램이 달성한 87.09%의 정확도와 매우 근접했습니다. 이러한 미세한 성능 차이는 물리적 장치에서 제공되는 특정한 이산적(discrete) 전기 상태가 과업에 필요한 필수 정보를 포착하기에 충분하다는 것을 시사합니다. 이 발견은 은 필라멘트에서 유래한 멤리스터의 물리적 특성이 복잡한 패턴 인식을 직접 지원할 수 있음을 나타내며, 재료의 가공되지 않은 물리학과 신경망의 고차원적 지능 사이의 간극을 메워줍니다.

이 연구는 더 효율적인 뇌 모방 컴퓨팅을 향한 길이 수백만 개의 복잡한 부품을 만드는 것이 아니라, 단 하나의 단순한 장치를 다양한 방식으로 제어하는 방법을 이해하는 데 있을 수 있음을 시사합니다. 전기 펄스를 조절함으로써 동일한 Ag/Al₂O₃/ITO 구조가 메모리 셀, 학습 에이전트 또는 분류기로 작동할 수 있습니다. 연구진은 장치의 행동이 고정된 것이 아니라 수신하는 자극의 이력에 전적으로 의존한다는 것을 보여주었습니다. 이러한 유연성 덕분에 하드웨어는 곤충의 수면-깨어남 주기를 모방하는 것부터 시각 데이터를 분류하는 것에 이르기까지 다양한 작업에 적응할 수 있습니다. 이 결과는 얇은 막 내에서 은 이온의 움직임을 지배하는 물리 법칙이 한때 복잡하고 다층적인 생물학적 시스템을 필요로 한다고 여겨졌던 과업들을 수행하도록 활용될 수 있음을 보여주는 구체적인 증거를 제공합니다. 뉴로모픽 컴퓨팅 분야가 발전함에 따라, 본 연구는 적절한 전기적 프로토콜에 의해 유도된 단순한 재료가 어떻게 자연에서 발견되는 풍부하고 적응적인 행동을 나타내기 시작할 수 있는지에 대한 명확한 사례를 제시합니다.