기계 신경망 기반 학습: 물질이 스스로 작업을 학습하고 계산을 수행한다.

 

머신러닝은 컴퓨터와 뇌와 유사한 행동을 모방할 수 있는 알고리즘 덕분에 가능한 완전히 디지털적인 현상이라고 생각하기 쉽다.

하지만 최초의 기계는 아날로그였고, 지금은 작지만 증가하는 연구 결과에서 기계 시스템도 학습할 수 있다는 사실이 밝혀지고 있다. 미시간 대학의 물리학자들이 이 분야의 최신 연구 결과를 제공했다.

 

슈아이펭 리와 샤오밍 마오의 미시간 대학 팀은 기계적 신경망이라는 격자에서 학습이 작동하는 방식에 대한 수학적 프레임워크를 제공하는 알고리즘을 고안했다.

리는 "물질이 스스로 작업을 학습하고 계산을 수행할 수 있다는 것을 보고 있다."라고 말했다.

연구자들은 이 알고리즘을 사용하여 재료를 "훈련"하여 다양한 종류의 홍채 식물을 식별하는 것과 같은 문제를 해결할 수 있는 방법을 보여주었다. 언젠가 이러한 물질은 인간이나 컴퓨터의 도움 없이도 다양한 바람 조건에 맞게 모양을 최적화하는 비행기 날개와 같은 훨씬 더 진보된 문제를 해결할 수 있는 구조를 만들 수 있다.

 

그 미래는 아직 멀었지만, U-M의 새로운 연구에서 얻은 통찰력은 이 분야 밖의 연구자들에게 더 즉각적인 영감을 제공할 수도 있다고 박사후 연구원인 리는 말했다.

이 알고리즘은 디지털 및 광학 시스템 모두에서 학습을 가능하게 하는 데 사용된 역전파라는 접근 방식을 기반으로 한다. 이 알고리즘은 정보가 어떻게 전달되는지에 대한 무관심한 것처럼 보이기 때문에 생명체가 어떻게 학습하는지에 대한 새로운 탐구의 길을 여는 데 도움이 될 수도 있다고 연구자들은 말했다.

 

"우리는 많은 물리적 시스템에서 역전파 이론의 성공을 보고 있다."라고 리는 말했다. "이것이 생물학자들이 인간과 다른 종의 생물학적 신경망이 어떻게 작동하는지 이해하는 데 도움이 될 수도 있다고 생각한다."

U-M 물리학과의 교수인 리와 마오는 저널 네이쳐 커뮤니케이션즈에 새로운 연구를 발표했다.

 

MNN 101

물리적 객체를 계산에 사용한다는 아이디어는 수십 년 동안 존재해 왔다. 그러나 기계적 신경망에 대한 초점은 더 새로운 것으로, 인공지능의 다른 최근 발전과 함께 관심이 커지고 있다.

이러한 발전의 대부분, 그리고 확실히 가장 눈에 띄는 발전은 컴퓨터 기술 분야에서 이루어졌다. 수억 명의 사람들이 매주 ChatGPT와 같은 AI 기반 챗봇을 사용하여 이메일 작성, 휴가 계획 등을 돕고 있다.

 

이러한 AI 보조원은 인공 신경망을 기반으로 한다. 리는 작동 방식이 복잡하고 대부분 보이지 않지만 기계적 신경망을 이해하는 데 유용한 비유를 제공한다고 말했다.

챗봇을 사용할 때 사용자는 입력 명령이나 질문을 입력하고, 이는 엄청난 처리 능력을 갖춘 컴퓨터 네트워크에서 실행되는 신경망 알고리즘에 의해 해석된다. 해당 시스템이 방대한 양의 데이터에 노출되어 학습한 내용을 기반으로 사용자의 화면에 팝업되는 응답 또는 출력을 생성한다.

 

기계적 신경망 또는 MNN은 동일한 기본 요소를 가지고 있다. 리와 마오의 연구에서 입력은 처리 시스템 역할을 하는 재료에 부착된 무게였다. 출력은 재료가 무게에 의해 모양이 어떻게 변했는지였다.

"힘은 입력 정보이고 재료 자체는 프로세서와 같으며 재료의 변형은 출력 또는 응답이다."라고 리는 말했다.

 

이 연구에서 "프로세서" 재료는 작은 삼각형으로 만들어진 고무질 3D 인쇄 격자였으며, 더 큰 사다리꼴을 만들었다. 재료는 격자 내의 특정 세그먼트의 강성 또는 유연성을 조정하여 학습한다.

비행 중에 속성을 조정하는 비행기 날개와 같은 미래형 응용 프로그램을 실현하려면 MNN이 이러한 세그먼트를 스스로 조정할 수 있어야 한다. 이를 수행할 수 있는 재료가 연구되고 있지만 아직 카탈로그에서 주문할 수는 없다.

 

따라서 리는 원하는 응답을 얻기 위해 더 두껍거나 더 얇은 세그먼트가 있는 프로세서의 새 버전을 인쇄하여 이러한 동작을 모델링했다. 리와 마오의 연구에서 가장 중요한 점은 이런 세그먼트를 어떻게 조정할지 재료에 지시하는 알고리즘을 개발한 것이다.

 

MNN을 훈련하는 방법

역전파 이론의 수학은 복잡하지만 아이디어 자체는 직관적이라고 리는 말했다.

프로세스를 시작하려면 입력이 무엇이고 시스템이 어떻게 반응하기를 원하는지 알아야 한다. 그런 다음 입력을 적용하고 실제 응답이 원하는 것과 어떻게 다른지 확인한다. 그런 다음 네트워크는 그 차이를 가져와 후속 반복에서 원하는 출력에 더 가까워지기 위해 어떻게 변경하는지 알려준다.

 

수학적으로 실제 출력과 원하는 출력의 차이는 손실 함수라는 표현식에 해당한다. 네트워크는 기울기라는 수학 연산자를 손실 함수에 적용하여 변경하는 방법을 학습한다.

리는 찾아야 할 것을 알고 있다면 그의 MNN이 그 정보를 제공한다는 것을 보여주었다.

리는 "자동으로 기울기를 보여줄 수 있다."라고 말하며 이 연구에서 카메라와 컴퓨터 코드의 도움을 받았다고 덧붙였다. "정말 편리하고 효율적이다."

격자가 두께와 강성이 동일한 세그먼트로만 구성된 경우를 생각해 보라. 중앙 노드(세그먼트가 만나는 지점)에 가중치를 걸면 시스템의 대칭성 때문에 좌우에 있는 이웃 노드가 같은 양만큼 아래로 이동한다.

 

하지만 대신 비대칭적 반응뿐만 아니라 가장 비대칭적 반응을 제공하는 격자를 만들고 싶다고 가정해 보겠다. 즉, 가중치의 왼쪽에 있는 노드와 오른쪽에 있는 노드 사이의 움직임에서 최대 차이를 제공하는 네트워크를 만들고 싶다.

리와 마오는 알고리즘과 간단한 실험 설정을 사용하여 해당 솔루션을 제공하는 격자를 만들었다. (생물학과의 또 다른 유사점은 이 접근 방식이 뉴런이 작동하는 방식과 유사하게 주변 연결이 수행하는 작업에만 관심이 있다는 것이다.)

 

한 걸음 더 나아가 연구자들은 또한 MNN을 훈련하기 위해 컴퓨터에서 머신 러닝을 수행하는 것과 유사한 대규모 입력 힘 데이터 세트를 제공했다.

이에 대한 한 가지 예에서, 다른 입력 힘은 홍채 식물의 꽃잎과 잎의 크기에 따라 달랐으며, 이는 종을 구별하는 데 도움이 되는 특징이다. 그러면 리는 훈련된 격자에 알려지지 않은 종의 식물을 제시할 수 있고, 격자는 이를 올바르게 분류할 수 있다.

그리고 리는 이미 음파를 전달하는 MNN을 사용하여 시스템의 복잡성과 해결할 수 있는 문제를 구축하기 위해 노력하고 있다.

리는 "우리는 훨씬 더 많은 정보를 입력에 인코딩할 수 있다."라고 말했다. "음파에는 데이터를 인코딩할 수 있는 진폭, 주파수 및 위상이 있다."

 

동시에 U-M 팀은 폴리머 및 나노입자 조립체를 포함한 재료의 더 광범위한 네트워크 클래스도 연구하고 있다. 이를 통해 알고리즘을 적용하고 완전히 자율적인 학습 머신을 달성하기 위해 노력할 수 있는 새로운 시스템을 만들 수 있다.

이 연구는 해군 연구국과 국립 과학 재단 복합 입자 시스템 센터(COMPASS)의 지원을 받았다.