최근 arXiv에 발표된 연구에 따르면, 물리 신경망(PNN)이 기존 디지털 신경망의 한계를 극복하고 저전력으로 연속 제어(continuous control) 작업을 수행할 수 있는 잠재력을 보여주었습니다. 이 연구는 신경망의 각 연결(connection)에 학습 가능한 비선형 함수를 적용하여, 물리적 연결 자체를 학습 가능한 연산 요소로 만든 새로운 아키텍처를 제안합니다. 이는 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold networks)에서 영감을 받은 접근 방식으로, 아날로그 장치 물리학을 직접 활용하여 전력 소모를 크게 줄이는 것을 목표로 합니다.
연구팀은 이 비선형 함수를 필드 프로그래머블 아날로그 어레이(FPAA) 상의 아날로그 대역 통과 필터(band-pass filters)로 구현했습니다. 그 결과, 로봇 운동학(robotic kinematics), 연속 제어, 태양광 최대 전력점 추적(photovoltaic maximum-power-point tracking)과 같이 부드럽고 연속적인 값을 처리하는 작업에서 기존 다층 퍼셉트론(multilayer perceptrons)보다 훨씬 적은 노드와 연결만으로도 뛰어난 성능을 보였습니다. 약 35,000개의 연결을 가진 학습된 네트워크는 하드웨어로 성공적으로 전송되었으며, 전용 CMOS 구현 시 약 30마이크로와트(microwatts)의 초저전력 작동이 가능할 것으로 예상됩니다. 이는 특정 장치에 국한되지 않고, 연결에 학습 가능한 비선형성을 부여하는 접근 방식 자체가 핵심 이점임을 시사합니다.
이러한 저전력 아날로그 신경망은 인공지능(AI) 하드웨어의 미래에 중요한 의미를 가집니다. 특히 사물 인터넷(IoT) 장치, 웨어러블 기기, 로봇 등 전력 제약이 심한 환경에서 AI 기능을 구현하는 데 혁신적인 변화를 가져올 수 있습니다. 기존 디지털 방식의 높은 전력 소모 문제를 해결함으로써, 에지(edge) 환경에서의 실시간 AI 추론(inference)을 더욱 효율적으로 만들고, AI 기술의 적용 범위를 넓히는 데 기여할 것으로 기대됩니다.