뉴로모픽 컴퓨팅이란? 뇌를 닮은 멤리스터로 폰노이만의 한계를 넘는다

핵심 메시지

• 기존 컴퓨터(폰노이만 구조)는 연산을 맡는 CPU와 기억을 맡는 메모리가 분리돼 있어, 둘 사이에서 정보를 주고받는 과정 자체가 속도·대역폭·전력의 병목이 된다.
• 사람의 뇌는 연산과 기억이 같은 곳에 있어, 커피 한 잔과 바나나 정도의 에너지(약 20와트)만으로 얼굴 인식 같은 어려운 일을 처리한다.
• 뉴로모픽 컴퓨팅은 뇌의 뉴런·시냅스 구조를 반도체 소자로 옮겨, 기억과 연산을 한곳에 모으려는 시도다.
• 핵심 부품은 멤리스터로, 지나간 전류를 ‘기억’하는 저항 소자이며 뇌의 시냅스를 흉내 내는 인공 시냅스 역할을 한다.
• 2008년 발표된 멤리스터 연구는 그것이 정말 근본 소자인지를 두고 논쟁이 있지만, 인공 시냅스 구현에서는 큰 진전으로 평가된다.

쉽게 이해하기

인공지능이 빠르게 발전하지만, 정작 그 연산을 돌리는 컴퓨터의 기본 구조는 수십 년째 폰노이만 방식에 머물러 있다. 이 구조에서는 계산을 담당하는 중앙처리장치(CPU)와 데이터를 담아 두는 메모리가 따로 떨어져 있고, 둘 사이로 정보를 끊임없이 옮겨야 한다. 이 전송 과정이 처리 속도와 대역폭을 제한할 뿐 아니라, 시스템을 학습시키는 능력까지 가로막는 근본적인 병목이 된다.

전력 문제도 심각하다. 영상에서 인용된 한 연구는 지금 방식 그대로 반도체 논리회로(CMOS)를 계속 쓴다면 2040년경에는 10의 27제곱 줄에 이르는 에너지가 필요하다고 본다. 이는 현재 전 세계가 쓰는 에너지 총량을 넘어서는 양이다. 공정 개선으로 효율이 나아지고는 있지만, 연산과 메모리를 오가는 구조적 병목과 그에 따른 지연은 사라지지 않는다.

대안은 뇌를 흉내 내는 것이다. 뇌는 CPU와 메모리가 분리돼 있지 않고, 기억과 처리가 같은 자리에서 일어난다. 그래서 적은 에너지로도 얼굴 인식이나 사물 구분처럼, 기계학습 알고리즘을 학습시키는 데 막대한 CPU 시간이 드는 일을 손쉽게 해낸다. 그렇다면 소자와 구조 자체를 바꿔 더 뇌에 가까운 컴퓨터를 만들 수 있지 않을까 하는 물음에서 뉴로모픽 컴퓨팅이 출발한다.

뇌에서 정보를 처리하는 단위는 뉴런이고, 뉴런 사이의 틈이 시냅스다. 뉴런은 신경전달물질을 통해 신호를 주고받는데, 그 바탕에는 칼륨·염소·칼슘 같은 이온(전하를 띤 원자)의 흐름을 조절하는 전기적 작용이 있다. 즉 시냅스는 본질적으로 전류를 다루는 전기 소자에 가깝다. 컴퓨터가 전자의 이동을 제어하듯, 뇌도 이온의 이동을 제어하는 셈이다.

이 구조를 고체 소자로 옮기려면 ‘기억하는 저항’이 필요하다. 보통의 저항은 전압을 걸어 전류를 흘려도 과거에 무슨 일이 있었는지 기억하지 못한다. 학습과 기억을 구현하려면 소자가 과거 상태를 간직해야 하고, 그것도 쉽게 만들 수 있고 칩 위에 아주 많이 집적할 수 있어야 한다. 이 역할을 하는 부품이 바로 멤리스터다.

주요 인사이트

• 뉴로모픽 컴퓨팅의 출발점은 ‘왜 메모리와 연산을 같은 곳에 두지 못하는가’라는 질문이며, 이는 뇌의 가장 큰 강점이기도 하다.
• 멤리스터는 극단적으로 보면 한 번 끊기면 마지막 상태를 ‘기억’하는 퓨즈와 같지만, 끊지 않고 저항을 조금씩 조절할 수 있게 만든 소자다.
• 2008년 휴렛팩커드 연구에서는 이산화티타늄에 불순물을 넣은 영역과 넣지 않은 영역을 두고, 전압으로 만든 전기장이 불순물을 이동시켜 저항을 바꾸는 방식을 보였다. 작은 가변저항과 같은 원리다.
• 멤리스터의 핵심은 히스테리시스다. 전압을 올릴 때와 내릴 때의 전류-전압 곡선이 달라, 소자가 과거를 기억하는 ‘메모리’ 효과가 생긴다.
• 드럼을 천천히 익히다 점점 빠르게 칠 수 있게 되듯, 뇌는 신경 경로를 굳혀 가며 학습한다. 인공 시냅스도 단기 가소성과 장기 강화를 흉내 내 비슷한 학습 과정을 구현할 수 있다.

자주 묻는 질문