컴퓨터의 딥러닝 훈련과 사람의 추론 능력을 합쳐
밀란 대학, 위비트 나노 ReRAM 기반으로 기술 개발
"주어진 데이터보다 50% 이상 더 학습해"
딥러닝 기반의 인공지능(AI)이 바둑과 체스를 비롯한 다양한 게임에서 사람의 능력을 뛰어 넘었다. 훈련된 상황에서 AI의 능력은 입증됐지만, 훈련되지 않은 상황에서 AI는 사람이 생각하는 이상으로 '멍청한 모습'을 보이기도 한다.
차세대 메모리 기술 중 하나인 ReRAM(Resistive RAM)이 이런 AI의 학습능력 개선에 도움을 줬다. ReRAM을 사용해 ▲컴퓨터의 뛰어난 딥러닝기반의 훈련 능력에 ▲사람의 두뇌와 같은 추론 능력을 더할 수 있게 된 것이다.
이탈리아 밀란 폴리텍 대학의 연구원들이 위비트 나노의 ReRAM을 사용해 AI 자기학습 시연에 성공했다고 지난달 31일(현지시간) EE타임스가 보도했다.
위비트 나노는 실리콘 옥사이드(SiOx) 기반의 ReRAM 기술을 기반으로 AI 신경망용 ReRAM을 개발했다.
ReRAM 메모리 기술은 낸드(NAND) 플래시보다 1000배 빠른 속도와 1000배 높은 에너지 효율, 100배 더 오래 지속할 수 있다. 또한 기존의 낸드 플래시 메모리 공정을 활용할 수 있어 차세대 메모리 기술로 주목받고 있다.
밀란 대학은 위비트 나노의 ReRAM을 이용해 ▲딥러닝에서 선형 연산을 활용해 시각 이미지를 분석하는 인공 신경망인 CNN(컨볼루션 신경망)의 효율성과 ▲인간의 뇌를 모방한 SNN(스파이킹 신경망)의 특징을 결합했다.
다니엘 일미니 교수와 그의 연구팀은 ANN(인공신경망)이 인간보다 높은 인식 능력을 지녔으면서도 새로운 정보를 습득할 수 없는 이유를 연구해 왔다.
연구팀은 위비트 나노의 ReRAM을 사용한 추론 하드웨어로 CNN의 효율성과 SNN의 변화 가능성을 통합했다.
이전에 취득한 정보로 훈련된 과제를 잊지 않으며, 새로운 정보를 학습할 수 있도록 하는 새로운 하드웨어 설계를 개발했다는 것이다.
컴퓨터의 뛰어난 학습능력과 인간의 사고를 합친 셈이다.
일미니 교수는 지금까지 AI 하드웨어의 가장 큰 난제는 학습할 수 있는 것에 대한 제한이라고 EE타임스와의 인터뷰를 통해 꼬집었다.
예를 들어 하드웨어가 특정 자릿수를 인식하도록 훈련된 경우, 하드웨어는 훈련된 자릿수만 인식할 수 있을 뿐 추가 자릿수는 인식할 수 없다. 이 하드웨어는 또한 숫자 기반의 학습을 해왔기 때문에 스스로 글자를 인식할 수는 없다.
일미니 교수는 "연구의 목적은 지속적으로 학습할 수 있는 ReRAM을 기반으로 새로운 하드웨어를 개발하는 데 있다"며 "(ReRAM의) 추론은 이미 학습된 내용을 바탕으로 50% 더 학습할 수 있다는 것을 보여줬다"고 연구 성과를 자랑했다.
ReRAM을 통해 개발된 AI 하드웨어는 100개의 숫자를 학습할 수 있고, 새로운 교육을 받지 않고도 100개의 숫자를 추가로 인식할 수 있다는 것이다.
"우리가 무언가를 배울 때 뇌에서 일어나는 일이 바로 이런 것"이라고 그는 설명했다.
코비 하노치 위비트 CEO는 "위비트 나노의 ReRAM이 고성능 메모리 역할뿐만 아니라 다른 고급 애플리케이션(AI)도 가능하게 할 수 있다는 것을 보여준 것"이라며 "위비트 나노는 항상 ReRAM이 신경망과 여러 첨단 애플리케이션에 큰 잠재력을 가지고 있다고 강하게 믿어왔다"고 말했다.
하노치 CEO는 이번 연구는 현재의 AI 연구 시스템에 큰 유연성을 가져온다고 강조했다. 오늘날 AI의 일반적인 학습이 딥러닝 기반의 훈련으로 정해진 임무만 수행할 수 있지만, 사람의 뇌는 보다 유연한 분류와 학습이 가능하다는 것이다.
무단전재 및 재배포 금지
기사제보 및 보도자료 news@aitimes.com