막대한 전력 문제로 사람의 뇌를 모방한 저전력 '뉴로모픽 반도체' 개발이 화두가 된 가운데, 우리 연구진이 그 기반이 될 학습기법을 개발했다.
한국과학기술연구원(KIST·원장 오상록)은 박성식 반도체기술연구단 선임연구원팀이 '스파이킹 신경망(SNN)' 학습 성능을 높일 학습 기법 'A²SG'를 개발했다고 23일 밝혔다.
이번 연구는 세계 3대 인공지능 학회인 ICML 2026에 정규 논문으로 채택됐다. 학회 역사상 처음 한국에서 열린 이번 학술대회(7월 6~11일, 서울 코엑스)에서 7일 발표됐다.
연구팀이 개발한 A²SG는 챗GPT 핵심 구조인 트랜스포머 기반 대형 SNN에 적용, 대규모 이미지 인식 평가(ImageNet)에서 SNN 세계 최고 수준의 정확도를 달성했다.
AI는 문제를 풀고 결과를 확인하면서 모델을 수정해 더 나은 답을 찾아간다. 이때 '기울기'는 각 모델을 어느 방향으로 얼마나 바꿔야 하는지 알려주는 역할을 한다. 그러나 SNN은 신호를 주고받는 방식이 현재 인공지능 근간인 심층신경망(DNN)과 달라 기존 DNN에서 사용하던 기울기만으로는 모델을 알맞게 조정하기 어려웠다.
A²SG는 학습 상황에 따라 조정 방법을 바꾸는 '적응형' 방식과 뇌 신경세포의 특성을 반영한 '비대칭형' 방식을 결합해 학습 성능을 높였다.
A²SG는 세계 최고 수준의 성능을 더 적은 비용으로 구현했다는 점에서도 주목된다. 구글의 대표 학습 기법보다 추가 연산 부담은 약 6분의 1 수준에 그치면서도 더 높은 정확도를 기록했으며, 소형~대형 모델까지 다양한 신경망 구조와 응용에서 일관된 성능 향상을 보여 범용성도 입증했다.
이번 성과는 대학과 글로벌 빅테크가 주도해 온 뉴로모픽 AI 학습 알고리즘 분야에서 KIST가 원천 기술을 확보했다는 데 의미가 있다. 특히 A²SG는 하드웨어(HW) 변경 없이 소프트웨어만(SW)으로 적용할 수 있어 저전력이 필요한 분야에 활용될 수 있다.
연구팀은 향후 대규모 모델 학습과 뉴로모픽 HW 검증을 거쳐 저전력 AI 반도체 상용화를 추진할 계획이다. KIST가 개발 중인 확률 기반 차세대 반도체 'RPU(Random Processing Unit)' 등 차세대 AI 반도체용 AI 모델 개발에도 이를 활용할 계획이다.
박성식 KIST 선임연구원은 “앞으로 이 원천기술을 차세대 AI 반도체에서 동작하는 인공지능 모델로 발전시켜, 저전력 AI 시대를 여는 데 기여하겠다”고 말했다.
이번 연구 성과는 국제머신러닝학회 논문집(PMLR) 최신 호에 게재될 예정이다.
김영준 기자 kyj85@etnews.com
