미세유체 패턴화된 피질 뉴런이 명령에 따라 사인파와 카오스 신호를 생성했다.
일본 도호쿠 대학과 미래대학교 하코다테의 연구진은 학술지 Proceedings of the National Academy of Sciences에 3월 12일 게재된 논문에 따르면, 배양된 쥐의 대뇌 피질 뉴런을 실시간 기계 학습 프레임워크를 활용하여 복잡한 시간 신호를 자율적으로 생성하도록 성공적으로 훈련시켰다. 연구진은 살아있는 뉴런을 고밀도 미세 전극 배열(microelectrode arrays) 및 미세 유체 장치(microfluidic devices)와 통합하여, 외부 입력 없이도 주기적이고 카오스적인 파형을 생성하는 폐쇄 루프 리저버 컴퓨팅 시스템을 구축했다.
[하위 제목은 그대로 유지하되, 기술 보고서 흐름에 맞게 정리]
광통신 및 고속 데이터 이동이 차세대 주요 AI 병목 현상
데이터센터 냉각 현황
대규모 AI 데이터센터 구축이 에너지 공급을 압박하고 있다
시스템은 26,400개 전극으로 구성된 배열에서 뉴런의 스파이크 열(spike trains)을 기록하고, 이를 연속 신호로 필터링한 다음, 선형 판독 레이어(linear readout layer)를 통해 출력을 해독했다. 이 출력 신호는 다시 뉴런에 전기 자극으로 피드백되어, 약 333밀리초 간격으로 순환하는 피드백 루프를 완성했다. 판독 가중치(readout weights)는 FORCE(First-Order Reduced and Controlled Error) 학습이라는 알고리즘을 사용해 실시간으로 최적화되었으며, 이 알고리즘은 네트워크 출력과 목표 파형 간의 오차를 최소화하도록 디코더를 지속적으로 조정했다.
연구진에 따르면, 이러한 시스템 구현의 핵심 기술은 PDMS 미세 유체 필름을 활용하여 뉴런의 연결 구조를 제어한 것이다. 물리적 제약이 없는 상태에서 배양된 뉴런들은 서로 밀접하게 동기화되어 일제히 발화하는 조밀한 네트워크를 형성했으며, 이러한 균일한 네트워크 구조로는 목표 신호 중 어느 것도 학습하는 데 실패했다.
대신 연구진은 뉴런 세포체들을 각각 약 100x100 마이크로미터 크기의 128개 구두(square wells)에 격리하고, 각 구두에는 평균 14.6개의 뉴런을 배양했다. 이 구두들은 두 가지 방식으로 미세 채널로 연결되었다. 하나는 균일한 이웃 연결이 특징인 격자 설계(lattice design)였고, 다른 하나는 더 희박하며 다중 규모의 연결을 갖는 계층적 설계(hierarchical design)였다.
두 가지 패턴화된 배양 구조는 무늬가 없는 배양물에 비해 쌍별 신경 상관관계(pairwise neural correlations)를 대폭 감소시켰다(각각 0.11 및 0.12 대 0.45). 이는 네트워크 역학의 차원성을 높이는 결과를 가져왔다. 격자 네트워크는 모든 목표 파형에서 계층적 네트워크보다 꾸준히 우수한 성능을 보였는데, 이는 아마도 더 조밀한 인터모듈 연결이 더 높은 발화율을 만들어내어 선형 디코더가 처리할 신호의 양을 늘렸기 때문으로 추정된다.
실험 결과, 쥐의 뇌 뉴런이 '새로운 계산 자원'으로서의 가능성을 입증했다.
격자 및 계층 네트워크를 활용한 시스템은 주기 4초, 10초, 30초의 사인파는 물론 삼각형파와 사각형파 생성을 학습할 수 있었으며, 동일한 배양물 준비를 다른 주파수로 진동하도록 재훈련하는 것도 가능했다. 나아가 연구진은 이 시스템이 로렌츠 끌개(Lorenz attractor)와 같은 3차원 카오스 궤적을 근사할 수 있음을 시연했다. 특히 학습 과정 전반에 걸쳐 모든 차원에서 예측 신호와 목표 신호 간의 쌍별 상관관계가 0.8을 초과하는 것을 입증했다.
도호쿠 대학 전기통신연구소 소속 히데아키 야마모토 교수는 기관 웹사이트에 게재된 보도 자료를 통해 "본 연구는 살아있는 뉴런 네트워크가 단순히 생물학적으로 의미 있는 시스템일 뿐만 아니라 새로운 계산 자원 역할도 할 수 있음을 보여준다"고 밝혔다.
한편, 훈련을 중단하고 시스템이 자율적으로 작동하는 과정에서 성능 저하가 관찰되었으며, 평균 제곱 오차(mean squared error)는 99%의 테스트에서 증가했다. 또한, 피드백 루프의 약 330밀리초 지연 시간은 시스템이 급격히 변화하거나 날카로운 에지(sharp-edged)를 가진 파형을 추적하는 능력에 한계를 가했다. 연구진은 이 지연 시간을 전문 하드웨어 또는 대체 필터링 기술로 단축한다면, 학습 가능한 목표의 범위를 확장할 수 있으며, 미래에는 뇌-기계 인터페이스(brain-machine interfaces) 및 신경 보철 장치(neuroprosthetic devices) 등 다양한 분야로 응용이 확장될 잠재력이 있다고 언급했다.
Tom's Hardware를 Google 뉴스에서 팔로우하거나 선호하는 출처로 추가하여 최신 뉴스, 분석 및 리뷰를 받아보세요.