과학자들은 나노 와이어 네트워크가 전기 자극을 받을 때 뇌와 같은 방식으로 반응하도록 조정할 수 있음을 발견했다.
시드니 대학(University of Sydney)과 일본 국립 재료 과학 연구소(NIMS) 국제 연구팀은 나노 와이어 네트워크를 뇌와 같은 상태로 유지함으로써 최적의 수준에서 작업을 수행한다는 것을 발견했다.
연구팀은 신경 지능(neural intelligence)의 근본적인 특성이 물리적이라는 것을 시사, 인공 지능(artificial intelligence) 개발을 위한 흥미로운 길을 열어 준다고 말한다.
연구는 Nature Communications에 발표됐다.
시드니 대학교 나노 연구소 및 물리학부 박사 과정 후보자 조엘 호흐스테터(Joel Hochstetter) “우리는 2 차원 평면에 무작위로 배열 된 10 마이크로 미터 길이와 500 나노 미터 이하의 전선을 사용했다”며 “와이어가 겹치는 곳에서는 뉴런 사이의 시냅스처럼 전기 화학적 접합을 형성한다”고 말했다.
이어 그는 “우리는 이 네트워크를 통해 전달되는 전기 신호가 정보를 전송하기위한 최적의 경로를 자동으로 찾는다는 것을 발견했다. 이 아키텍처를 통해 네트워크는 시스템을 통한 이전 경로를 ‘기억’할 수 있다”고 덧붙였다.
연구팀은 시뮬레이션을 사용하여 임의의 나노 와이어 네트워크를 테스트해 간단한 작업을 해결하는 데 가장 적합한 방법을 확인했다.
네트워크를 자극하는 신호가 너무 낮으면 경로가 너무 예측 가능하고 질서 정연하고 유용할 만큼 복잡한 출력을 생성하지 못했다. 전기 신호가 네트워크를 압도하면 출력이 완전히 혼란스럽고 문제 해결에 쓸모가 없었다.
유용한 출력을 생성하기 위한 최적의 신호에 대해 시드니 대학 Zdenka Kuncic교수는 “신경 과학의 일부 이론은 인간의 마음이 혼돈의 가장자리에서 작동할 수 있음을 시사한다”며 “일부 신경 과학자들은 이를 우리가 최대의 뇌 성능을 달성하는 상태라고 생각한다”고 말했다.
Kuncic 교수는 현재 로스앤젤레스 캘리포니아 대학(UCLA)의 풀 브라이트 방문학자로 나노 과학과 인공 지능의 교차점에서 일하고 있다.
그녀는 “이 결과에 대해 매우 흥미로운 점은 이러한 유형의 나노 와이어 네트워크가 정보 처리를 최적화하는 데 활용될 수 있는 다양하고 뇌와 같은 집단 역학을 가진 체제로 조정될 수 있음을 시사한다는 것”이라고 말했다.
나노 와이어 네트워크에서 와이어 사이의 접합은 시스템이 메모리와 작업을 단일 시스템에 통합할 수 있도록한다. 이것은 메모리 (RAM)와 작업 (CPU)을 분리하는 표준 컴퓨터와는 다르다.
Hochstetter는 “이러한 접합은 컴퓨터 트랜지스터처럼 작동하지만 신호가 이전에 해당 경로를 이동했다는 것을 기억하는 추가 속성이 있다. 따라서 이를 ‘멤리스터’라고 한다”고 말했다.
이 메모리는 물리적 형태를 취한다. 여기서 나노 와이어 사이의 교차점에 있는 접합은 스위치처럼 작동하며, 그 동작은 전기 신호에 대한 역사적 반응에 따라 달라진다. 신호가 이러한 접합부에 적용되면 작은 은색 필라멘트가 성장해 전류가 흐르도록 해 접합부를 활성화한다.
“이것은 나노 와이어의 랜덤 시스템 내에 메모리 네트워크를 생성한다는 것”이고 그는 말했다.
Hochstetter와 그의 팀은 물리적 네트워크의 시뮬레이션을 구축하여 매우 간단한 작업을 해결하도록 훈련할 수 있는 방법을 보였다.
Hochstetter는 “이 연구를 위해 우리는 단순한 파형을 보다 복잡한 유형의 파형으로 변환하도록 네트워크를 훈련 시켰다”고 말했다.
시뮬레이션에서 그들은 전기 신호의 진폭과 주파수를 조정하여 최고의 성능이 어디에서 발생했는지 확인했다.
“우리는 신호를 너무 느리게 푸시하면 네트워크가 학습 및 개발없이 같은 일을 반복적으로 수행한다는 것을 발견했다. 너무 세게 빠르게 푸시하면 네트워크가 불규칙하고 예측할 수 없게된다”고 그는 말했다.
시드니 대학 연구진은 일본 NIMS의 국제 재료 나노 아키텍트 론 센터와 Kuncic 교수가 풀 브라이트 방문 학자로 있는 UCLA의 협력자들과 긴밀히 협력하고 있다. 나노 와이어 시스템은 NIMS와 UCLA에서 개발했다.
Kuncic 교수는 기억과 운영을 통합하면 인공 지능의 미래 개발에 큰 실질적인 이점이 있다고 말한다. 적절한 ‘부하’ 또는 정보의 무게가 어느 연결부에 할당돼야 하는지 알기 위해 네트워크를 훈련시키는 알고리즘이 많은 전력을 소모한다는 설명이다.
그는 “우리가 개발하고 있는 시스템은 그러한 알고리즘의 필요성을 없애준다. 우리는 네트워크가 자체 가중치를 개발하도록 허용한다. 즉, ‘저장소 컴퓨팅’으로 알려진 프레임 워크인 신호 입력 및 신호 출력에 대해서만 걱정하면 된다. 네트워크 가중치는 자체 적응형이므로 잠재적으로 많은 양의 에너지를 확보할 수 있다”고 말했다.
