기술 요약: 뇌와 유사한 적응형 수지상 돌기 멤리스티브 네트워크 (Brain-like Adaptive Dendritic Memristive Networks)

문제 정의

현재의 인공지능 시스템은 고정된 토폴로지 하드웨어 구조 내에서 연결 가중치를 적응시키는 학습 알고리겠습니다. 이러한 방식은 학습 과정과 컴퓨팅 기질(substrate)의 물리적 진화 사이를 분리하여, 경험이 계산 구조 자체를 직접적으로 재형성하는 것을 방해합니다. 멤리스티브 소자가 심층 신경망을 위한 하드웨어 가속기(예: 인메모리 행렬-벡터 곱셈을 통해)로 활용되어 왔으나, 이들은 대개 경직되고 미리 제작된 토폴로지 내에서 작동합니다. 물리적 리저버 컴퓨팅에 사용되는 자기 조직화 멤리스티브 네트워크조차도 일반적으로 고정된 연결성을 유지하며, 학습은 구조 자체의 물리적 적응이 아닌 외부적인 판독 가중치를 통해 이루어집니다. 즉, 컴퓨팅 기질 내에서 형태(morphology)와 기능적 연결성이 공동 진화함으로써 경험을 물리적으로 인코딩하는 하드웨어 아키텍처가 부족한 실정입니다.

방법론

저자들은 동적으로 상호작용하는 전기화학적 수지상 돌기(dendrite)를 기반으로 한 자기 조직화 및 형태 적응형 네트워크를 제시합니다. 이 시스템은 뉴런 단말 역할을 하는 금(Au) 전극과 생체 적합성이 있는 질산 은(AgNO3) 및 디메틸 설폭사이드(DMSO) 전해질로 구성된 전기화학 셀을 활용합니다.

핵심 메커니즘:

1. 구조적 가소성 (Morphogenesis): 이 시스템은 시냅스 형태 형성(synaptic morphogenesis)과 축삭 성장(axon growth)을 모사합니다. 단말 사이에 인가되는 시간적으로 상관된 전압 펄스(양극성 펄스)는 경쟁적인 반-셀 반응($Ag^+ + e^- \rightarrow Ag$ [환원] 및 $Ag \rightarrow Ag^+ + e^-$ [산화])을 유도합니다. 이는 단말 간을 물리적으로 연결하여 전기적 접점(시냅스)을 형성하는 금속 수지상 돌기 가지의 순 성장을 초래합니다. 성장 역학은 자극 파라미터(펄스 진폭, 펄스 간격)와 전해질 농도를 조절함으로써 등방성(수지상 형태)과 방향성(축삭 형태) 사이에서 조절 가능합니다.
2. 기능적 가소성 (Memristive Dynamics): 일단 형성된 수지상 연결은 멤리스티브 거동을 보입니다. 이들은 전기화학적 금속화(ECM) 셀에서 나타나는 양극성 저항 스위칭(SET/RESET) 특성을 나타내며, 인가된 전압에 따라 전도성 필라멘트가 가늘어지거나 끊어지거나, 혹은 형성되거나 강화됩니다. 시스템은 자극 이력 및 작동 조건에 따라 휘발성(단기 기억) 및 비휘발성(장기 기억) 메모리 상태를 모두 지원합니다.
3. 모델링: 시스템을 시뮬레이션하기 위해 2차원 물리 기반 확률 모델이 개발되었습니다. 이 모델은 전기 이중층의 용량성 효과를 고려하여, 금속-전해질 계면에서의 국부 전위와 전해질 내 이온 확산 수송을 통합합니다. 모델은 확산 제한 성장과 전위 구동 방향성 성장 사이의 상호작용을 포착하기 위해 연산 분할(operator splitting)을 사용하는 반응-확산 스킴을 사용합니다.

실험 설정:

• 제작: Si 웨이퍼 위에 Au 전극을 사용하여 두 단자 셀을 제작하였으며, 다중 단자 시스템에는 패턴화된 Au 핀이 있는 상용 미세전극 어레이(MEA)를 활용하였습니다.
• 자극: ArcTWO 측정 보드(64개의 병렬 소스-측정 유닛 포함)를 사용하여 동기화된 자극 및 데이터 획득을 수행하였습니다.
• 판독: 다른 단자들을 플로팅(floating) 상태로 둔 채, 단자 쌍에 낮은 진폭의 판독 전압(50 mV)을 인가하여 전도도 행렬을 획득하였습니다.

주요 기여 및 결과

1. 구조와 기능의 공동 진화

본 연구는 구조적 연결성(물리적 배선도)과 기능적 연결성(시냅스 가중치)이 외부 자극에 반응하여 공동 진화함을 입증합니다. 시스템은 시공간적 입력 패턴을 네트워크의 물리적 형태 속에 직접 내재화합니다.

• 결과: 다중 단자 네트워크는 시공간적으로 상관된 활동을 보이는 단자들 사이에 연결을 형성하도록 구조적으로 진화하며, 이를 통해 공동 활성화된 노드 간의 위상적 거리를 효과적으로 단축합니다.

2. 연합 학습 패러다임의 구현

시스템은 생물학적 연합 학습 원리를 물질 내부($in\ materia$)에서 직접 구현합니다.

• 고전적 조건 형성 (파블로프식): 시스템은 파블로프의 개를 모사하도록 구성되었습니다. 사전 프로그래밍된 고전도성 연결은 무조건 자극(음식)에서 반응(침 분비)을 나타냅니다. 중립 자극(종소리)과 무조건 자극을 동기화하여 자극함으로써, 네트워크는 "종소리" 단자와 "침 분비" 단자 사이에 새로운 수지상 연결을 성장시킵니다. 조건 형성 후, "종소리" 자극만으로도 반응 전류가 발생하여 형성된 연합 관계를 보여주었습니다.
• 조작적 조건 형성 (스키너식): 시스템은 스키너의 비둘기 부리질(pecking) 및 쥐 처벌 과제를 재현했습니다.
  • 비둘기 부리질: 보상 입력을 주면 전도도가 증가합니다(부리질 빈도). 소거(reward 없음) 단계에서는 전도도가 떨어졌으나, 근저의 수지상 토폴로지는 대체로 온전하게 유지되었습니다("저장 효과"). 재조건 형성 시 초기 조건 형성보다 더 빠르게 전도도가 회복되고 강화되었습니다.
  • 쥐 처벌: 짧은 음의 펄스를 통한 처벌 자극이 전달되었고, 결국 전기적 연결이 끊어졌습니다. 그러나 수지상 토폴로지에는 유의미한 변화가 관찰되지 않았으며, 학습된 정보가 수지상 구조 내에 유지되었습니다. 재조건 형성 시 다시 빠른 회복과 강화가 나타났으며, 이는 "기억"이 삭제된 것이 아니라 기능적 단절에도 불구하고 구조적으로 보존되었음을 확인시켜 줍니다.

3. 최적화 문제 해결 (경로 선택)

저자들은 로봇 내비게이션과 관련된 경로 계획 최적화 문제를 해결하는 시스템의 능력을 입증했습니다.

• 방법: 다양한 이동 비용(예: 모래, 바위)이 있는 지형 지도를 시공-공간적 자극 프로토콜로 매핑했습니다. 전극은 지형 영역을 나타내며, 전압 진폭은 이동 난이도를 인코딩합니다.
• 결과: 수지상 성장 과정이 물리적 희소화 도구(sparsifier)로 작용하여, 저비용 전도 경로를 강화하고 고비용 영역을 억제했습니다. 결과적으로 생성된 전도성 서브네트워크는 최적의 경로를 체현했습니다.
• 성능: 추출된 전도도 행렬에 디이크스트라(Dijkstra) 알고리즘을 적용했을 때, 25회의 독립적인 실행에 대해 실제 최적 경로와의 평균 성공 가중 중첩(success-weighted overlap) 85%를 달성했습니다.

의의 및 주장

본 논문은 **물질 수준에서의 체화된 지능(embodied intelligence at the matter level)**을 향한 경로를 구축한다고 주장합니다. 적응형 재료와 물리적 네트워크 역학을 통해 정보 처리, 학습, 메모리 인코딩을 결합함으로써, 본 연구는 다음을 입증합니다:

1. 학습은 물리적이다: 학습은 단순히 고정된 그래프 내에서 파라미터를 최적화하는 것이 아니라, 구조와 기능적 연결성의 공동 진화를 통해 경험을 물리적으로 체화하는 과정입니다.
2. 인메이테리아(In-Materia) 컴퓨팅: 계산은 물질의 자기 조직화로부터 본질적으로 발생하며, 여기서 정보는 프로세싱되는 계산 구조 자체를 능동적으로 형성합니다.
3. 생물학적 충실도: 이 시스템은 시냅스 형태 형성과 가소성을 모사하는 전기화학적 메커니즘을 사용하여 고전적 및 조작적 조건 형성, 저장 효과, 빠른 재조건 형성 등 복잡한 생물학적 학습 현상을 성공적으로 재현합니다.
4. 형태를 통한 최적화: 계층적이고 프랙탈적인 수지상 구조는 정보 분리와 통합 사이의 균고한 균형을 촉진하여, 그래프 제약 조건을 물리적 전도 경로로 변환함으로써 조합 최적화 문제(경로 탐색 등)를 물리적으로 해결할 수 있게 합니다.

저자들은 이 연구를 하향식(top-down) 제조 하드웨어에서 벗어난 접근법으로 규정하며, 학습 중에 컴퓨로 아키텍처 자체가 적응하는 방식이 프로세싱, 메모리, 학습을 단일 물리적 시스템 내에 통합하는 차세대 적응형 하드웨어의 경로를 제시한다고 제안합니다.