Speaker
Description
생물학적 신경망 구조를 모사한 뉴로모픽 시스템(Neuromorphic System)은 높은 병렬성과 에너지 효율을 바탕으로 차세대 컴퓨팅 패러다임으로 주목받고 있다. 특히 기존 폰 노이만(Von Neumann) 구조의 메모리–연산 병목 현상을 근본적으로 완화할 수 있어, 초저전력 인공지능(AI) 하드웨어 구현을 위한 유망한 기술로 평가받고 있다. 그러나 뉴로모픽 소자를 구성하는 시냅스 소자는 비선형성, 이산적인 상태 변화, 그리고 잡음과 같은 고유한 물리적 특성을 가지며, 이러한 특성들은 신경망 학습 성능에 직접적인 영향을 미친다. 따라서 실제 소자의 물리적 특성이 인공지능 성능에 미치는 영향을 정량적으로 분석하는 연구가 필요하다.
본 연구에서는 FePt 과립형 박막 기반 뉴로모픽 시냅스 소자를 모사한 조건에서, MNIST 손글씨 데이터셋을 이용한 인공신경망(Artificial Neural Network, ANN)의 학습 성능을 시뮬레이션하였다. 주요 변수로는 시냅스 가중치의 양자화 비트 수, 가중치 업데이트 과정에서 나타나는 비선형성(장기강화(Long-Term Potentiation, LTP) 및 장기약화(Long-Term Depression, LTD) 곡선의 기울기와 포화 특성), 그리고 학습 과정에 인가된 가우시안 잡음(Gaussian noise)을 고려하였다. 또한 학습 epoch 수, 활성화 함수(ReLU, Sigmoid), 배치 크기(batch size) 등 다양한 학습 파라미터를 변화시켜 성능 변화를 분석하고 최적 학습 조건을 탐색하였다.
시뮬레이션 결과, 가중치 양자화 수준이 감소할수록 분류 정확도가 저하되었으며, 과도한 비선형성은 학습 수렴 속도를 늦추고 최종 정확도를 감소시키는 것으로 나타났다. 또한 일정 수준 이상의 잡음은 모델의 일반화 성능을 저하시켜 학습 성능을 악화시키는 경향을 보였다. 본 연구 결과는 FePt 기반 자성 뉴로모픽 소자와 같은 실제 하드웨어 시냅스의 물리적 특성이 인공지능 학습 성능에 미치는 영향을 예측하고 이해하기 위한 기초 자료로 활용될 수 있을 것으로 기대된다.
