소형화된 인공두뇌의 제작과 생물학적 이용에 관한 탐구 김희주, 오현석, 김민영, 윤석권 대진고등학교 주소 : 서울시 노원구 공릉로 62가길 47 (139-230) 이메일 : heeju1981@hanmail.net fax : 02-971-6085 tel : 02-976-0066 요약 우리 탐구에서는 소형 인공두뇌를 제작하여 보고 그 생물학적 이용에 대한 탐구를 하려고 한다. 인공지능의 한 분야인 인공신경망 기법을 이용해 소프트웨어와 하드웨어로서 인간 두뇌의 신경조직과 뉴런에서 이루어지는 학습과 정보처리 과정을 흉내 내는 것이다. 그 과정에서 두뇌와 컴퓨터에 대해 이론적으로 비교하여 보고, 인공두뇌 제작의 가능성과 한계를 느껴보고, 인공두뇌의 한 형태로서 지금까지 연구된 대표적인 신경망 모델에 대해 탐구해 본다. 이러한 인공두뇌를 제작하려는 과정에서 인간 두뇌의 우수성에 대해 다시 생각해볼 기회가 될것이다. 컴퓨터와 두뇌의 장점을 결합한 인공두뇌가 만들어질 경우에 이용될 수 있는 생물학적 이용 사례들을 연구하여 인간에게 실질적인 도움이 되는 길을 찾는 것이 우리 탐구의 목적이다. 대표적인 신경망 모델 (MLP, Hopfield, SOM) 을 살펴보고 장단점을 비교하였으며, 그 모형을 제작하고 어플릿의 작동과정을 살펴보았다. MLP 를 이용한 프로그램을 만들어보고 그 결과로서 인공두뇌의 실현 가능성과 한계를 탐구하며 고령화 사회를 앞두고 있는 환경에서 생물학적으로 이용되는 사례들을 살펴보았다. 탐구 내용 이론적 배경 가중치 와 카운터 를 초기화 학습율와 Emax을 설정한다. 시작 학습 반복 출력치를 계산 출력 오차를 계산 오차 신호를 계산 카운터를 증가시키고 3단계로 간다. 종료 조건 테스트 K ←k+1 지도학습과 자율학습 지도학습 (supervised learning)과 자율학습 (unsupervised learning) 은 다음과 같은 차이가 있다. 어린 아이에게 분류(classification) 할 것이 자갈과 모래라는 것을 미리 알려주고서 "이것이 자갈이니 모래니?" 하고 묻는 것이 지도학습이다. 반대로 그 아이에게 아무런 정보도 주지 않고 "이것이 무엇이니?" 하고 묻는 것이 자율학습이라는 것이다. 아래 그림은 지도학습을 표현한 그림이다. MLP 모형 Hopfield network 모형 가중치 업데이트 역전파(Back-propagation) 알고리즘 다층 퍼셉트론에 사용되는 알고리즘으로서 출력값과 기대값을 비교하여 차이(오차)를 줄여나가는 방향으로 연결강도를 조절하고, 상위층에서 역전파하여 하위층으로 오차가 전달되어 다시 자기층의 연결강도(가중치)를 조정해 나가는 방식이다. 이렇듯 연결강도를 업데이트 하는 것이 학습이다. 오른쪽의 순서도는 역전파 알고리즘을 표현한 것이다. 탐구반 동료들 SOM 모형 Fig.1.1 결과고찰 지금까지의 탐구를 바탕으로 신경망과 기존 컴퓨터시스템을 비교하여 보자. 두뇌와 컴퓨터의 차이점을 비교한것과 보면 재미있다. 마치 인간의 두뇌와 신경망을 바꿔 놓아도 별 차이가 없는 비교가 될듯하다. 그러나 실제로는 지금까지의 신경망은 인간의 두뇌 능력에 비하면 턱없이 떨어지는 것을 알 수 있다. 그렇지만 지금까지의 신경망 기법(MLP, Hopfield, SOM) 들이 학습, 일반화, 추상화, 연관, 분류, 강건성, 오류허용성, 모순처리능력, 병렬분산처리, 근사추론 과 같은 능력을 가지고 있어서 다른 첨단과학 분야에 다양하게 응용되고 있는것은 중요한 사실이다. MLP 입력층, 은닉층, 출력층으로 구성된다. 대개 역전파 (Back-propagation) 학습 알고리즘을 사용하여 학습시킨다. 가장 대표적인 지도학습 모델이다. 즉 구분하려고 하는 것이 모래와 자갈이라는 것이 주어지고 입력층에 속성을 입력하여 최종적으로 그것이 모래 또는 자갈이라는 것을 구별 하는 것이 출력이 된다. 위의 MLP 모형 그림은 토종개 식별 프로그램을 위해서 만들어진 모형이다.. Hopfield network Hopfield는 인간의 연상메모리 능력을 모델로 만들어서 어떤 데이터가 조금 결여있을 때 연상 능력을 발휘하여 부족한 데이터를 채우는 용도로 활용되는 모델을 개발하였다. 예를들면 일부가 손상된 사진을 가지고 원형을 회복하는 것과 같은 것이다. 토종개 진단 프로그램 전문가의 도움을 받지 않고 진돗개, 풍산개, 삽살개, 제주개 중에서 어떤 개에 속하는 지를 진단하기 위해 다층 퍼셉트론 신경망 모델과 백프로퍼게이션 학습 알고리즘을 이용한다고 가정해보자. 25여개의 특징과 그에 상응하는 토종개의 이름을 반복 학습 시켜서 새로운 토종개가 주어졌을 때 적절하게 식별하는 것을 목표로 한다. 입력층 뉴런 25개, 출력층 2개, 은닉층 뉴런 2개로 구성된다. 오른쪽의 MLP 모형을 참조하자 SOM 자율학습을 대표하는 모델이다. 위의 SOM 모형 그림은 입력층과 출력층으로 구성되며 출력층의 2차원 공간에 있는 뉴런에는 영어 문자가 모두 있다. Kohonen 은 어떤 음성으로 발음하면 마치 자동으로 키보드의 특정 문자가 눌려지듯이, 출력층 위에 있는 뉴런이 활성화되어 음성인식이 가능하다는 것을 증명하였다. 아래 그림은 신경망 모델의 소프트웨어 어플릿의 실행전 실행후 사진이다. 왼쪽부터 각각 MLP, Hopfield, SOM 어플릿의 사진이다. Fig.5 Fig.4 결론 신경망 모델은 아직 인공두뇌라고 할 만큼 인간의 능력에 근접한 성능을 보이지는 못하고 있다. 그렇다고 해서 신경망 연구가 무시되어서는 안되는 이유가 있다. MLP, Hopfield, SOM 등의 신경망 기법들은 다양한 영역에서 활발하게 사용되고 있다. 지문인식, 화상인식, 영상인식과 같은 영역은 물론이고 기계학습, 데이터마이닝, 자연어처리, 음성인식 등등의 다양한 영역에서 특유의 성질을 활용한 신경망 기법으로서 광범위하게 사용되고 있다. 마치 영화 속의 로봇과 같이 인공두뇌로서 활용되지 못한다고 해서 전혀 실망할 필요는 없다. 지금과 같이 계속적인 새로운 신경망 모델의 개발과 하드웨어의 발전이 이루어진다면 언젠가는 인공두뇌에 근접해 있는 신경망 모델이 되어있을 것이다. 탐구과정에서 대한전자공학회 등의 학회에 가입하고 논문을 검색하여 도움을 얻었다. 고등학생도 학회가입이 쉬워져서 일찍부터 전문분야의 지식을 접하게 됐으면 좋을것이라고 생각됐다. 또한 신경망의 실현을 위해서는 프로그래밍 능력이 중요하다는 것을 인식했다. MATLAB, C, Java 등등의 프로그래밍 언어를 접하기가 쉬워져서 원하는 학생은 공부가 가능하도록 되었으면 좋겠다고 느꼈다. 또한 신경망 자료를 얻기 위하여 무작정 대학 교수님들에게 이메일을 보냈더니 친절하게 답해주시는 것을 보고 정말 고마움을 느꼈다.