신경과학과 로봇:뉴로컴퓨터에 대해서

977120, 나상웅

인간이 처음 컴퓨터나 로봇을 개발한 목적은 인간을 본떠 만든 기계에 번거롭고 복잡한 계산이나 반복되는 지루한 업무를 맡김으로써 사람들이 잡다한 일로부터 해방되어 좀더 자유롭고 편안한 삶을 영위하기 위함이었다. 그러나 컴퓨터나 로봇이 눈부시게 발전한 현 시점에서 볼 때, 디지탈 컴퓨터는 실제 인간과는 너무도 다른 형태임을 의심할 여지가 없다. 기존의 디지탈 컴퓨터는 수치 계산 등 잘 정의된 업무 처리에 있어서는 상상을 초월할 정도로 발전되어 왔지만 연상, 추론, 음성 인식, 영상 인식 등 인간이 수월하게 처리하는 특정 분야에 대해서는 아직도 상당한 문제를 가지고 있다. 이 때문에 로봇의 발전에 한계가 발생하였다. 로봇은 인간의 감각기 역할을 하는 센서를 통하여 자료를 받아들이고, 컴퓨터에서 이 자료를 처리하여 그 결과를 수행한다. 그런데 자료를 수용하는 센서가 비교적 잘 발달한 반면, 이를 처리하는 컴퓨터가 인간에 미치지 못하고 있다. 이러한 문제점을 해결하기 위하여 인간 두뇌의 정보 처리 방식을 그대로 모방하여 만든 컴퓨터가 바로 뉴로컴퓨터이다. 이 글에서는 신경 조직을 가지고 있는 로봇, 그 중에서도 인간의 뇌 역할을 하는 뉴로컴퓨터에 관한 기본적인 사항들을 알아보고자 한다.

1.뉴로컴퓨터의 개요

인간 두뇌는 수많은 뉴런들이 서로 거미줄처럼 연결되어 있는 신경망 구조를 이루고 있다고 알려져 있으나, 아직까지도 두뇌의 정보 처리 과정이 의학적으로 완벽하게 분석되지는 못한 실정이다. 인간 두뇌의 신경망 조직을 모델링한 것이 신경망 모델이며, 엄밀한 의미에서는 신경망 구조를 이용하여 만든 컴퓨터가 뉴로 컴퓨터이지만 일반적으로는 뉴로 컴퓨팅, 신경망, 신경 회로망 등의 용어로써 혼용되고 있다.

이러한 신경망 구조를 이용한 뉴로 컴퓨터는 여러 면에서 디지털 컴퓨터와 큰 차이가 있다. 디지털 컴퓨터는 프로그램에 의해 순차적으로 업무를 처리하는 반면 뉴로 컴퓨터는 인간과 마찬가지로 어떤 일을 수행하기 위해서는 미리 학습이 필요하며, 병렬로 업무를 처리한다. 이미 알려진 바와 같이 신경망을 구성하는 뉴론들 각각은 처리속도가 아주 느리지만 상호간의 병렬처리에 의해 현존하는 어떠한 컴퓨터보다도 빠르게 연상이나 패턴 인식이 가능하다. 정보 저장 및 기억에 있어서도 상당한 차이가 있다. 디지털 컴퓨터는 번지 지정에 의하여 정보를 저장하거나 검색하는 반면 뉴로 컴퓨터는 뉴런간의 연결강도에 의해 정보를 저장하며, 원하는 정보를 찾고자 하는 경우에도 내용에 의해 정보를 검색한다. 뉴로 컴퓨터의 정보 저장에 있어서 특정한 응용 목적에 따라 뉴런간의 연결강도를 변화시키는 과정을 학습이라 한다. 동일한 정보를 기억하는데 있어서 사람의 지능지수 또는 학습 방법에 따라 학습 시간이 다르듯이 뉴로 컴퓨터의 학습에 있어서도 어떠한 신경망 모델 또는 학습 방법을 선택하느냐에 따라 학습 시간이 빨라지기도 하고 느려지기도 하며, 심지어는 영원히 학습이 되지 않을 수도 있다는 사실을 염두에 두어야 한다.

Brain Facts

뉴로 컴퓨터의 근간을 이루는 신경망 모델은 이미 상당히 오래 전부터 연구되기 시작하였으나 디지털 컴퓨터의 급속한 발전으로 인해 관심을 끌지 못하다가 최근에 와서야 디지털 컴퓨터의 약점을 보완하기 위하여 다시 새로운 연구 분야로서 주목받고 있다. 특히, 주목할 점은 신경망 모델에 관한 연구가 의학, 수학, 전자, 컴퓨터 등 다양한 학문 분야에서 연구되고 있다는 것이다. 의학 분야에서는 주로 두뇌의 정보처리 및 기억 원리에 대한 연구가 진행되고 있으며, 수학 분야에서는 신경망을 변수들간의 관계로써 수학적으로 모델링하고자 하는 연구가 활발히 이루어지고 있다. 또한 전자 분야에서는 신호처리와 시스템 제어 등에의 응용에 관한 연구, 컴퓨터 분야에서는 신경망을 초고밀도 집적회로로 구현하거나 연상 및 패턴인식 시스템 등에의 응용에 관한 연구가 진행되고 있다. 현재 수십 가지의 신경망 모델이 존재하는 것도 이처럼 여러 학문 분야에서 수십 년간 독자적으로 신경망에 대한 연구를 하였기 때문이다.

뉴로 컴퓨터에 대한 연구는 이미 언급한 바와 같이 인간의 두뇌와 동일한 형태의 독자적인 시스템으로 제작하려는 목표를 가지고 출발하였다. 하지만 현재의 반도체 기술로는 도저히 실현 불가능할 정도로 복잡하기 때문에 요즈음은 특정 응용 분야에 국한하여 보조 처리장치로써 활용하는 것이 타당하다는 인식이 확산되고 있다. 뉴로 컴퓨터가 연상이나 추론이 가능한 데 반하여 사람처럼 복잡한 수학적 계산에 있어 실수할 가능성이 있다. 이 관점에서 복잡한 연산은 디지털 컴퓨터가 처리하고, 연상이나 추론 등은 뉴로 컴퓨터로 보조하는 것이 당연하다. 여기서 생각할 점은 뉴로 컴퓨터를 특정 분야에 응용하는 데 있어서 몇 가지 고려할 사항이 있다는 것이다. 다양한 신경망 모델 중에서 응용 목적에 적합한 신경망 모델을 선택해야 하고, 신경망의 구조와 효과적인 학습 방법을 고려해야한다. 또한 신경망을 어떻게 구현할 것인지도 생각해야 한다.

2.뇌의 생물학적 신경망

인간의 두뇌는 계산, 연상, 추론, 기억 등 상당히 복잡한 일들을 수행하지만 디지털 컴퓨터처럼 하드웨어적인 소자들이 존재하는 것이 아니라 뉴런의 결합체인 신경망의 작용에 의해서 모든 작업이 이루어진다. 뉴로 컴퓨터의 인공 신경망 모델은 뇌의 생물학적 신경망에 근거를 두고 있다. 따라서 이 단원에서는 뇌의 생물학적 신경망을 살펴보고자 한다.

신경계의 기능적 최소 단위는 뉴론이다. 뉴론은 신경계의 흥분 및 전달을 담당한다. 인간의 뇌에는 약 1000억개의 뉴론이 있으며, 각 뉴론은 인접한 수 천개의 뉴론들과 상호 연결되어 있다. 이처럼 뉴론들이 복잡하게 연결된 형태를 신경망이라 한다.

뉴론은 크게 세포체, 수상돌기, 축색돌기의 세 부분으로 구분된다. 세포체에는 세포핵이 있으며, 많은 수상돌기들과 하나의 축색돌기가 연결되어 있다. 일정시간 동안에 들어온 자극은 세포체내에서 가중된다. 수상돌기는 세포체 주위에 섬유 더미 모양으로 연결되어 있으며, 인접한 뉴론으로 부터의 신호가 세포체로 들어오는 통로 역할을 한다. 축색돌기는 하나의 가늘고 긴 신경 섬유로 되어 있으며, 인접한 뉴론으로 세포의 흥분을 전달하는 통로 역할을 한다.

그러면 뉴런의 신경 흥분이 다른 뉴런으로 어떻게 전달되는가? 뉴런의 신경 섬유 사이에는 시냅스라는 연결 부위가 있다. 시냅스를 통한 신경 흥분의 전달은 단 방향으로만 이루어지며, 시냅스에는 흥분성과 억제성의 두 가지 종류가 있다. 만약 두 뉴런이 흥분성 시냅스에 의해 연결되어 있다면 전달 뉴런의 자극은 연결된 뉴런의 활성화 확률을 증가시키지만 억제성 시냅스에 의해 연결된 경우에는 활성화 확률을 감소시킨다.

뇌에서의 정보처리는 단순히 뉴런의 활성화 동작에 의해 수행될 뿐이다. 그렇다면 처리된 정보는 어떤 형태로 기억되는가? 한 마디로 시냅스의 연결강도 형태로 정보가 기억된다고 인정되고 있다. 어떤 자극에 의해 뉴런의 활성화가 반복되면 시냅스의 연결강도가 변하게 된다. 이러한 변화 과정을 거쳐 장기 기억 형태가 되면 시냅스의 연결강도는 더 이상 변하지 않고 고정된다. 이 자극이 다시 들어오면 고정된 시냅스 연결강도에 의해 동일한 신경 흥분을 다음 단의 뉴런으로 전달할 수 있다. 결국 뉴런에 들어온 자극을 처리한 결과가 기억된 것으로 간주할 수 있다.

(뉴로 컴퓨터의 인공 신경망도 소개하고자 했지만 비전공자가 내용을 이해하기가 쉽지 않았음. 다만 확실한 것은 인공 신경망이 인간의 뇌를 모델로 하고 있다는 점이다)

3.뉴로 컴퓨터의 역사적 배경

Brain Facts

최초의 신경망 개념은 1943년 피트에 의해서 제시되었다. 단순한 뉴런들의 수많은 결합들이 바로 인간 두뇌에서의 계산 능력의 원천이라고 생각한 것이다. 그의 모델에서는 논리 기능을 수행하기 위하여 뉴런간의 결합에 가중치를 주고, 뉴런의 반응 여부를 결정하는 임계치를 설정하였다. 이 모델은 뉴런에의 가중 입력 합이 임계치보다 더 크면 뉴런이 활성화되지만, 가중 입력 합이 임계치보다 적을 경우에는 뉴런이 반응하지 않는 개념으로써 단순한 논리 기능의 수행이 가능하였다. 1949년에는 처음으로 신경망의 학습 방법이 제안되었다. 이 학습법은 두 가지 자극을 동시에 입력하면 뉴런의 학습이 빨라지며, 일단 학습이 완료된 후에는 한 가지 자극만 입력하여도 뉴런이 활성화된다는 것이다.

1950-60년대는 신경망에 대한 연구가 활발히 이루어진 전성기라 할 수 있다. 1958년에 퍼셉트론이라는 하드웨어적으로 구현된 최초의 뉴로 컴퓨터가 발표되었다. 퍼셉트론의 구조는 수용층, 연합층, 반응층의 세 부분으로 구성되어 있다. 수용층에서는 외부 자극을 받아들이며, 연합층은 수용층의 가중 입력을 받아 반응층으로 전달하는 기능을 하며, 반응층은 최종 출력을 내보내는 기능을 한다. 퍼셉트론은 연결강도를 조정하기 위하여 반복적 학습 방법을 사용한다. 특히 퍼셉트론 학습법은 특정 목적에 맞는 정확한 연결 강도를 수렴한다고 입증되었다.1960년에는 단, 다층 신경망 구조가 발표되었고, 이들을 학습시키기 위하여 델타학습법이 등장하였다. 델타 학습법은 원하는 출력과 실제 출력간의 차이 즉, 오차가 감소하도록 연결 강도를 적응 식으로 조정하는 학습 방법으로써 현재에도 유용하게 이용되고 있다.

1970년대에 접어들면서 집적 소자의 발달로 디지털 컴퓨터는 급진적인 발달을 거듭한다. 이에 반하여 퍼셉트론이 비선형 문제를 해결할 수 없다는 문제점이 증명되면서 신경망에 대한 관심이 급속히 냉각되면서 암흑기에 들어간다. 그럼에도 불구하고 여러 분야에서 신경망에 대한 연구가 꾸준히 진행되어 오늘날 뉴로 컴퓨터의 기틀을 다진다.

1982년 순환 신경망 구조의 연상 메모리가 제안되어 부분 입력 데이터로도 완벽한 데이터의 복원이 가능함이 입증되었다. 이 사건은 신경망과 기존 디지털 컴퓨터와의 차이점을 제시함으로써 많은 사람들이 다시 신경망에 관심을 갖게 한 계기를 제공하였다. 다시 중흥기를 맞이하면서 오류 역전파 알고리즘이 개발되는 등 기술적 발전이 거듭되었고, 1980년대 후반에는 신경망에 관한 저술 활동이나 학술 회의 등이 활발히 진행되기 시작했다.

4.뉴로 컴퓨터의 응용

뉴로 컴퓨터는 연상 메모리, 패턴 인식, 제어 시스템, 의료 진단, 통신 시스템 등 여러 분야에서 널리 응용되고 있다. 여기서는 뉴로 컴퓨터의 기능별로 실생활에서 이용되는 부분을 찾아봄으로서 뉴로 컴퓨터의 용도에 대한 이해를 돕고자 한다.

1)음성 합성 : 영어 문장을 입력하여 음소들로 변환하는 시스템. 정확도 95%

2)음성 인식 : 음성 타자기(입력한 음성을 인식한 다음 그에 상응하는 문자를 출력하는 시스템)

정확도 화자에 따라 92-97%

3)문자 인식 : 필기체 숫자 인식 시스템(손으로 쓴 우편번호를 인식하는데 이용)

오류 학습 패턴:0.14% 임의의 패턴:5%

4)영상 처리 : 영상 복원 시스템, 사람의 얼굴을 입력하여 남녀의 성별을 판별하는 영 상 인식 시스템

5)제어 시스템 : 무인 자동차 주행(카메라와 거리 측정기를 통해 도로 영상을 입력받아 자동차가 자동 주행할 수 있도록 핸들을 조작하는 시스템), 트럭 후 진 제어 시스템(비좁은 장소에서 트럭을 후진시켜 화물의 선적이 용 의하도록 트럭을 선착장 대기시키는 시스템), 이동 로봇의 제어

6)연상 메모리 : 실시간 연상 메모리(광 특유의 병렬처리 기법을 이용하여 저장된 패턴 중 원하는 패턴을 실시간으로 연상하는 시스템), 한영 번역 시스템(양 방향 연상 메모리 기법을 이용하여 한글 단어와 영어 단어 쌍을 기억 시킨 다음, 그 중 임의의 단어를 입력하여 그 단어에 해당하는 번역 된 단어를 연상하는 단순한 번역 시스템)

7)전문가 시스템 : 의과대 학생에게 피부병 진단을 가르치는 시스템이 여기에 속함















Brain Facts