On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

컴퓨터 과학의 조용한 구석진 곳에서, 특정 연구 분야는 생명체처럼 생각하는 기계를 만들기 위해 노력하고 있습니다. 수십 년 동안 표준 인공지능은 숫자를 계산하는 계산기처럼, 정보를 일정하고 연속적인 흐름으로 처리하는 수학적 모델에 의존해 왔습니다. 하지만 인간의 뇌는 다르게 작동합니다. 뇌는 '스파이크'라고 불리는 짧고 날카로운 전기적 폭발을 통해 통신하며, 세포 사이의 연결은 고정되어 있지 않습니다. 경험에 따라 연결이 성장하고, 줄어들며, 스스로 재배선됩니다. '자연 컴퓨팅(natural computing)'이라 알려진 이 분야는 이러한 생물학적 역동성을 포착하고자 합니다. 목표는 단순히 계산하는 것이 아니라, 신호의 타이밍과 자체 네트워크의 물리적 구조로부터 학습하며 적응하는 시스템을 만드는 것입니다.

콜카타의 한 연구팀은 이러한 생물학적 행동을 모방한 새로운 유형의 컴퓨터 모델을 설계함으로써 이 방향으로 중요한 진전을 이루었습니다. 그들은 손글씨 글자를 인식하는 특정 과제에 집중했습니다. 표준 컴퓨터는 텍스트를 쉽게 읽을 수 있지만, 입력값이 지저도 있거나 왜곡되었을 때는 종종 어려움을 겪습니다. 연구진은 내부 연결을 물리적으로 재구성하는 동시에 그 연결의 강도를 조절할 수 있는 시스템이 기존 방식보다 노이즈를 더 잘 처리할 수 있는지 확인하고 싶었습니다. 그들의 연구는 두 가지 강력한 생물학적 개념, 즉 실시간으로 연결을 생성하거나 삭제하는 능력과 신호의 정밀한 타이밍으로부터 학습하는 능력을 결합한 모델을 소개합니다.

연구진은 뉴런처럼 작동하는 단순한 단위들로 구성된 디지털 뇌를 구축했습니다. 두 지점 사이의 경로가 영구적인 기존 네트워크와 달리, 이 시스템은 연결 자체가 변할 수 있도록 합니다. 신호가 도착하면, 시스템은 두 단위 사이에 새로운 다리를 놓거나 기존의 다리를 철거하기로 결정할 수 있습니다. 이를 '구조적 가소성(structural plasticity)'이라고 합니다. 동시에, 시스템은 인간의 뇌가 기억을 강화하는 방식에서 영감을 얻은 학습 규칙을 사용합니다. 두 단위가 동시에 발화하면 그 사이의 연결은 강해지고, 서로 맞지 않는 시점에 발화하면 연결은 약해집니다. 이 이중 접근 방식 덕분에 시스템은 어떤 신호가 중요한지 학습할 뿐만 아니라, 올바른 패턴에 집중하기 위해 자신의 네트워크를 물리적으로 재구성할 수 있습니다.

이 아이디어를 테스트하기 위해, 팀은 영어 알파벳의 합성 데이터셋을 만들었습니다. 그들은 검은색 픽셀은 글자를, 흰색 픽셀은 배경을 나타내는 단순한 7x5 픽셀 그리드를 사용했습니다. 이 그리드들을 전기적 스파이크 시퀀스로 변환했습니다. 실제 세계의 불완전함을 시뮬레이션하기 위해, 그들은 데이터의 일부 비트를 무작위로 뒤집어(검은 픽셀을 흰색으로, 흰색을 검은색으로) 저, 중, 고 세 단계의 노이즈를 생성했습니다. 그런 다음 이 노이즈가 섞인 시퀀스들을 새로운 모델에 입력하여 글자를 얼마나 잘 식별하는지 관찰했습니다. 그들은 연결을 재배선하는 능력 없이 타이밍 기반 학습 규칙만을 사용했던 이전 모델과 결과를 비교했습니다.

결과는 이 새로운 시스템이 놀라울 정도로 회복력이 높다는 것을 보여주었습니다. 데이터가 완벽하게 깨끗할 때, 모델은 거의 99.8%에 달하는 평균 정확도로 글자를 식별했습니다. 더 중요한 점은, 노이즈가 증가함에 따라 새 모델이 이전 모델보다 더 잘 버텨냈다는 것입니다. 이전 모델이 흔들리기 시작하는 중 및 고 수준의 노이즈 상황에서도 새 시스템은 더 높은 정확도를 유지했습니다. 예를 들어, 35비트 글자 패턴 중 7개의 비트가 뒤집혔을 때도 새 모델은 약 80%의 확률로 글자를 올바르게 인식하여 이전의 벤치마크를 능가했습니다. 연구진은 연결을 동적으로 생성하고 삭제하는 능력이 시스템이 무작위 오류를 걸러내고 글자의 핵심 형태에 집중할 수 있게 해준다는 것을 발견했습니다.

이 연구는 또한 트레이드오프(상충 관계)를 강조했습니다. 새 모델은 노이즈가 있는 조건에서 더 견고하고 정확했지만, 복잡한 재배선 및 가중치 조절 과정을 관리하기 위해 더 많은 계산 자원을 필요로 했습니다. 더 단순한 이전 모델은 더 빠르고 가벼웠지만 상당한 왜곡을 처리하는 능력은 떨어졌습니다. 연구진은 자신들의 작업이 시스템이 문제를 해결하기 위해 스스로 구조를 진화시킬 수 있음을 보여주는 '개념 증명(proof of concept)' 역할을 한다고 언급했습니다. 그들은 실제 사진 대신 템플릿에서 생성된 합성 데이터셋을 사용했으므로, 이 결과는 이러한 유형의 패턴 인식 작업에 구체적으로 적용됩니다. 그러나 이번 성공은 구조적 변화와 타이밍 기반 학습을 결합하는 것이 똑똑할 뿐만 아니라, 실제 세계의 무질서하고 예측 불가능한 데이터에 적응할 수 있는 기계를 만드는 강력한 전략이 될 수 있음을 시사합니다.