- 스파이킹 신경망 성능 높이는 ‘A²SG’, 세계 최고 정확도 달성

박성식(왼쪽부터) 박사, 강예찬, 박소희 석사과정 학생연구원이 서울 코엑스에서 열린 ICML 2026 포스터 발표장에서 기념 촬영을 하고 있다.[KIST 제공]
박성식(왼쪽부터) 박사, 강예찬, 박소희 석사과정 학생연구원이 서울 코엑스에서 열린 ICML 2026 포스터 발표장에서 기념 촬영을 하고 있다.[KIST 제공]

[헤럴드경제=구본혁 기자] ChatGPT로 대표되는 생성형 인공지능이 확산되면서 데이터센터 전력 소모가 글로벌 사회적 과제로 떠올랐다. 이를 해결하기 위해 글로벌 빅테크 기업들은 사람의 뇌를 모방한 저전력 ‘뉴로모픽 반도체’ 개발에 나서고 있다.

핵심 기술인 스파이킹 신경망(SNN)은 필요한 순간에만 신호를 주고받아 전력 소모를 크게 줄일 수 있지만, ChatGPT 등 현재 인공지능의 근간인 심층신경망(DNN)에 견줄 만한 성능을 내기 어렵다는 한계가 있다.

한국과학기술연구원(KIST) 반도체기술연구단 박성식 박사 팀은 SNN의 학습 성능을 높이는 새로운 학습 기법 ‘A²SG’를 개발했다고 밝혔다. 이번 연구결과는 세계 3대 인공지능 학회인 ICML 2026에 정규 논문으로 채택됐다.

A²SG는 ChatGPT의 핵심 구조인 트랜스포머 기반 대형 SNN에 적용해 대규모 이미지 인식 평가(ImageNet)에서 스파이킹 신경망 세계 최고 수준의 정확도를 달성했다. 인공지능은 문제를 풀고 결과를 확인하면서 인공지능 모델을 수정하여 더 나은 답을 찾아간다. 이때 ‘기울기’는 각 모델을 어느 방향으로 얼마나 바꿔야 하는지 알려주는 역할을 한다. 그러나 SNN은 신호를 주고받는 방식이 DNN과 달라 기존 DNN에서 사용하던 기울기만으로는 모델을 알맞게 조정하기 어려웠다. A²SG는 학습 상황에 따라 조정 방법을 바꾸는 ‘적응형(Adaptive)’ 방식과 뇌 신경세포의 특성을 반영한 ‘비대칭형(Asymmetric)’ 방식을 결합해 학습 성능을 높였다.

학습 방식에 따라 인공지능 모델이 도달하는 학습 지형 비교.[KIST 제공]
학습 방식에 따라 인공지능 모델이 도달하는 학습 지형 비교.[KIST 제공]

A²SG는 세계 최고 수준의 성능을 더 적은 비용으로 구현했다. 구글의 대표 학습 기법보다 추가 연산 부담은 약 6분의 1 수준에 그치면서도 더 높은 정확도를 기록했으며, 소형부터 대형 모델까지 다양한 신경망 구조와 응용에서 일관된 성능 향상을 보여 범용성도 입증했다.

A²SG는 하드웨어 변경 없이 소프트웨어만으로 적용할 수 있어 스마트폰·웨어러블 기기·드론의 온디바이스 AI와 24시간 상시 작동하는 스마트 센서 등 저전력이 필요한 분야에 활용될 수 있다. 연구팀은 향후 대규모 모델 학습과 뉴로모픽 하드웨어 검증을 거쳐 저전력 AI 반도체 상용화를 추진하고, 확보한 학습 알고리즘 기술을 KIST가 개발 중인 확률 기반 차세대 반도체 ‘RPU(Random Processing Unit)’ 등 차세대 AI 반도체용 인공지능 모델 개발에도 활용할 계획이다.

박성식 박사는 “이번 연구는 뉴로모픽 인공지능이 기존과의격차를 좁히고 차세대 저전력 인공지능 시대를 앞당기는 발판이 될 것”이라며 “확보한 학습 알고리즘 원천기술을 차세대 AI 반도체에서 동작할 인공지능 모델 학습 기술로 확장해 나갈 계획”이라고 말했다.


nbgkoo@heraldcorp.com