뉴로모픽 컴퓨팅으로 알려진 분야인 실리콘에서 두뇌를 모방하려는 노력은 오랜 혈통을 가지고 있으며 Intel 및 IBM과 같은 컴퓨팅 강국으로부터 상당한 투자를 받았다. 지금까지 대부분의 연구는 뇌의 놀라운 학습 효율성을 복제하기 위해 생물학적 뉴런과 시냅스의 기능과 연결성을 복제하는 데 중점을 두었다.

덜 주목받은 뉴런의 한 가지 특징은 경험에 반응하여 스스로를 재구성할 수 있는 방식이다. 이 강력한 기능을 통해 뇌는 학습하면서 구조와 기능을 모두 변경할 수 있으며 기본 하드웨어를 즉시 새로운 과제에 최적화할 수 있다.

그러나 이제 퍼듀 대학교Purdue University의 엔지니어가 이끄는 팀이 간단한 전자 펄스로 기능을 재구성할 수 있는 새로운 회로 구성 요소를 시연했다. 이를 통해 저항기, 메모리 커패시터, 인공 뉴런 및 인공 시냅스 역할을 원활하게 전환할 수 있습니다. 이 혁신은 마치 두뇌처럼 학습하면서 스스로 다시 배선할 수 있는 하드웨어에서 동적 신경망을 생성할 수 있는 가능성을 열어줍니다.

지난 주 Science에 보고된 새로운 장치는 격자와 같은 구조의 특정 위치에 수소 이온을 추가하여 전기적 특성을 변경할 수 있는 페로브스카이트 니켈산염이라는 물질로 만들어졌다. 연구자들은 수소 이온의 특정 구성이 다양한 전자 부품을 복제하는 전도성 패턴을 생성할 수 있다는 것을 발견했다.

더 중요한 것은, 그들은 또한 서로 다른 전압에서 전기 펄스를 인가함으로써 이러한 수소 이온의 위치 주위를 섞을 수 있다는 것을 발견했다. 이를 통해 요청 시 한 구성에서 다른 구성으로 전환할 수 있으므로 동일한 장치가 광범위한 전자 빌딩 블록의 속성을 취할 수 있다.

장치도 매우 안정적이다. 연구에 따르면 수소 원자는 저항 손실 없이 최소 6개월 동안 유지되었으며 스위칭 동작은 수백만 사이클 후에도 여전히 안정적으로 작동했다. 또한 기존의 칩 제조 기술을 사용하여 장치를 제조할 수 있다.

개별 장치의 성능을 테스트한 후 연구원들은 데이터를 사용하여 대규모 네트워크 시뮬레이션을 생성했다. 그들은 시뮬레이션을 사용하여 신경망과 유사한 원리를 사용하는 저수지 컴퓨팅이라는 일종의 머신러닝을 구현했다. 그들은 이러한 네트워크가 숫자 인식 및 심장 박동 분류 작업 모두에서 다른 이론 및 실험 모델을 능가한다는 것을 보여주었다.

그들은 또한 이러한 네트워크를 사용하여 작업 세트에 따라 뉴런과 연결을 생성하고 정리하는 "필요할 때 성장"(GWR) 신경망으로 알려진 것을 구현했다. 그들은 이러한 네트워크를 고정된 수의 뉴런을 가진 유사한 종류의 자기 조직화 네트워크와 비교했다.

모델이 분류해야 하는 데이터 클래스의 수가 시간이 지남에 따라 증가하는 증분 학습 작업에서 네트워크를 테스트했을 때 동적 네트워크가 동일한 수의 GWR을 사용하는 정적 네트워크보다 200% 이상 더 정확하다는 것을 발견했다. 네트워크가 정점에 도달했다. 그들은 또한 GWR 네트워크가 문제의 크기에 따라 확장 및 축소되어 정적 네트워크가 할 수 없는 방식으로 효율성을 최적화할 수 있음을 보여주었다.

이러한 기능이 인상적이기는 하지만 이 기술은 여전히 상당한 장애물에 직면해 있다. 첨부된 원근법 기사에서 ETH Zurich의 Rohit Abraham John은 이러한 장치가 기능 간에 전환할 때 연결을 재정렬하는 방법을 찾는 것이 매우 어려운 일이라고 지적한다.

그러나 이 기술은 두뇌에서 영감을 받은 컴퓨팅 이상의 응용 프로그램을 가질 수도 있다. John은 동일한 재료로 다양한 전기 부품을 만들 수 있는 가능성이 현재의 칩 제조 방식에 비해 상당히 단순화될 수 있다고 말한다.

그리고 아직 초기 단계일 수 있지만 연구원들은 현재 이러한 장치를 결합하여 대규모 칩을 만드는 방법을 조사하고 있다고 말한다. 우리처럼 스스로를 다시 배선할 수 있는 실리콘 두뇌는 그리 멀리 있지 않을 수 있다.

이미지 출처: Purdue University/Rebecca McElhoe