뇌에서 영감을 받은 AI 아키텍처는 속도를 높이는 동시에 전력 소비를 대폭 줄여준다

이중 메모리 경로 추상화. 알고리즘 수준에서 각 레이어는 느린 맥락적 동역학을 포착하고 빠른 스파이크 활동을 조절하는 공유된 저차원 상태를 유지한다. 하드웨어 측면에서는, 이 분리가 이종 가속기에 반영되어, 이 가속기는 콤팩트한 상태를 칩 내에 유지하며 효율적인 실행을 위해 스파스 연산과 덴스 연산을 융합한다. 출처: Sun 외.

스파이크 신경망(SNN)은 생물학적 뉴런의 통신 방식에서 영감을 받은 AI 모델입니다. 전기적 자극을 통해 정보를 교환하는 생물학적 뉴런과 달리, SNN은 ‘스파이크’라고 알려진 짧은 신호를 활용합니다.

개발자가 정보를 지속적으로 처리하는 대신 의미 있는 변화가 발생할 때만 처리하도록 보장할 수 있기 때문에, SNN은 전력 소비를 줄이는 데 유망한 것으로 나타났습니다. 현재 AI 시스템이 상당한 에너지를 소비한다는 점을 고려할 때, 이는 중요한 장점입니다.

일부 초기 SNN은 고무적인 결과를 얻었으나, 장기간에 걸쳐 유용한 맥락을 유지하는 데 종종 어려움을 겪었습니다. 이러한 문제는 모델의 데이터 저장 용량이 제한적이거나 에너지 제약 하에서 작동할 때 특히 두드러집니다.

임페리얼 칼리지 런던(Imperial College London)과 취리히 연방공과대학(ETH Zurich)의 연구진은 최근 이러한 한계를 극복할 수 있는 하드웨어와 소프트웨어를 공동 설계하여 공개했다. 『 네이처 머신 인텔리전스(Nature Machine Intelligence)』에 게재된 논문에 소개된 이들의 아키텍처는 에너지 효율을 높이고 데이터 저장 요구 사항을 줄이면서도 긴 시퀀스 작업을 효과적으로 처리한다.

펑페이 쑨(Pengfei Sun), 저 수(Zhe Su) 및 동료 연구진은 “스파이크 신경망은 이벤트 기반 감지 분야에서 탁월한 성능을 발휘한다”고 밝혔다. “그러나 엄격한 에너지 및 메모리 제한을 준수하면서 알고리즘적·하드웨어적 측면에서 장기간에 걸쳐 작업과 관련된 맥락을 유지하는 것은 여전히 핵심적인 과제이다. 우리는 알고리즘과 하드웨어의 공동 설계 노력을 통해 이 문제를 해결한다.”

DMP 아키텍처를 위한 하드웨어 설계. 출처: 《 네이처 머신 인텔리전스 》(2026). DOI: 10.1038/s42256-026-01255-3

뇌에서 영감을 얻은 새로운 이중 메모리 시스템

기존 연구에 따르면, 일부 신경 과정은 매우 빠른 반면 다른 과정은 더 느리게 진행되어 뇌가 정보를 더 오랫동안 유지할 수 있게 해줍니다. Sun, Su 및 동료들이 개발한 아키텍처는 이러한 빠르고 느린 신경 과정의 조합을 모방합니다.

연구팀은 뇌의 ‘빠름-느림’ 조직 원리를 바탕으로, 서로를 보완하는 소프트웨어 및 하드웨어 구성 요소를 공동 설계했다. 소프트웨어는 느린 메모리 경로와 빠른 스파이크 활동을 결합한 다층 SNN으로 구성된다.

"알고리즘 수준에서, 뇌의 대뇌 피질 내 빠름-느림 구조에서 영감을 받아, 우리는 명시적인 느린 기억 경로를 갖춘 신경망을 도입했으며, 이는 빠른 스파이크 활동과 결합되어 이중 기억 경로 아키텍처를 가능하게 합니다. 이 아키텍처에서 각 층은 최근 활동을 요약하고 스파이크 역학을 조절하는 간결한 저차원 상태를 유지합니다,"라고 저자들은 기술했다.

"이 명시적 기억은 이벤트 주도형 스파시티를 유지하면서 학습을 안정화시켜, 동등한 최첨단 스파이크 신경망보다 매개변수를 40~60% 줄이면서도 긴 시퀀스 벤치마크에서 경쟁력 있는 정확도를 달성합니다."

이중 메모리 아키텍처의 주요 장점은 중요한 작업 관련 정보를 간결한 형태로 유지하면서 유입되는 데이터를 효율적으로 처리한다는 점입니다. 연구팀은 또한 자신들의 SNN 실행에 최적화된 전용 하드웨어를 설계했습니다.

“하드웨어 수준에서, 우리는 이중 메모리 경로 아키텍처의 장점을 최대한 활용하기 위해, 이 아키텍처의 간결한 공유 상태를 유지하면서 이종 스파이크 경로와 고밀도 메모리 경로 간 데이터 흐름을 최적화하는 ‘메모리 근접 연산(near-memory-compute)’ 아키텍처를 도입했습니다.”라고 Sun, Su 및 동료들은 기술했다.

초기 결과 및 실제 적용 가능성

연구진은 일련의 초기 테스트를 통해 자체 개발한 SNN과 공동 설계한 하드웨어를 평가했다. 연구진은 고정된 시간 내에서의 장시퀀스 작업(긴 데이터 스트림 처리) 완료 속도, 에너지 소비량, 데이터 처리량을 측정했다.

“실험 결과에 따르면, 최첨단 구현 방식에 비해 처리량이 4배 이상 증가했으며 에너지 효율은 5배 이상 개선된 것으로 나타났다”고 저자들은 밝혔다. “이러한 성과들은 종합적으로 볼 때, 생물학적 원리가 알고리즘적으로 효과적이면서도 하드웨어 효율이 높은 기능적 추상화를 이끌어낼 수 있음을 보여주며, 실시간 신경모방 컴퓨팅 및 학습을 위한 확장 가능한 공동 설계 프레임워크를 확립합니다.”

Sun, Su 및 동료들이 개발한 새로운 SNN과 하드웨어는 더욱 정교화되어 더 광범위한 작업에 대해 테스트될 수 있을 것입니다. 향후 이 기술은 에너지 제약 조건 하에서 대량의 데이터를 실시간으로 신속하게 분석하는 것을 가능하게 할 수 있습니다. 이는 로봇 공학, 웨어러블 기기, 엣지 AI, 그리고 여러 개의 연결된 센서 네트워크와 같은 응용 분야에서 유용할 것입니다.

본 기사는 필자 잉그리드 파델리(Ingrid Fadelli)가 집필하고, 개비 클라크(Gaby Clark)가 편집했으며, 로버트 이건(Robert Egan)이 사실 확인 및 검토를 거친, 세심한 수작업의 결과물입니다. 저희는 독립적인 과학 저널리즘을 지속하기 위해 여러분과 같은 독자분들의 지원을 필요로 합니다. 이 보도가 중요하다고 생각하신다면, 기부(특히 월간 기부)를 고려해 주시기 바랍니다. 감사의 뜻으로 광고가 표시되지 않는 계정을 제공해 드립니다.