일본산업뉴스요약

TDK, 소뇌를 모방한 AI칩 개발
불과 20µW로 이상 감지 및 동작 예측이 가능

TDK는 사람의 소뇌 기능을 아날로그 전자회로로 모방한 AI(인공지능)칩을 홋카이도(北海道)대학과 공동으로 개발했다. 간단한 이상 검지나 동작 예측 등을 20μW라고 하는 매우 작은 전력으로 학습·추론할 수 있다. 단말기(엣지)에 탑재되어 측정 데이터의 1차 처리 등을 실시하는 ‘엣지 AI’로 활용할 수 있을 것으로 기대되고 있다. TDK는 향후, MEMS(Micro Electro Mechanical Systems) 센서와 융합해 센서가 감지한 변화의 의미를 추출하여 출력하는 스마트한 센서로 시장에 투입할 계획이라고 한다.

-- 손가락의 초동(初動)으로 상대가 낼 가위바위보를 추정 --
TDK와 홋카이도대학이 개발한 AI칩에는 대표적인 기계학습 모델인 딥러닝이 아닌, 보다 작은 모델인 '리저버 컴퓨팅(Reservoir Computing)'이 구현되어 있다. 리저버 컴퓨팅은 적은 정보량을 바탕으로 직감이나 반사신경처럼 빠르게 추론하는 작업이 강점으로, 화상이나 문장의 생성 등에는 적합하지 않다.

TDK가 이 칩을 통해 실현 가능한 예로 제시한 것이 '절대 이길 수 없는 가위바위보 장치'이다. 가위바위보를 할 때 상대가 손을 내는 순간, 손가락의 초동을 분석해 손이 '가위'나 ‘바위’, '보'의 형태가 되기 전에 이길 수 있는 손의 형태를 표시하는 것이다. 엄지손가락에 장착된 가속도 센서의 수치를 통해 상대 손의 형태를 미리 읽을 수 있다.

이 기술은 국내 최대급 일렉트로닉스 기술전 ‘CEATEC 2025’에서 기술적으로 우수하고 시장성 및 미래성이 높은 기술에 수여되는 ‘CEATEC AWARD 2025’의 ‘이노베이션 부문상’을 수상했다. CEATEC 2025는 10월 14일부터 마쿠하리멧세(幕張メッセ, 지바시)에서 개최된다.

-- 고속·저전력을 실현하는 리저버 모델 --
리저버 컴퓨팅이 고속∙저전력으로 학습·추론할 수 있는 이유는 딥러닝에 비해 모델 구조가 단순하고, 학습해야 할 매개변수의 수가 적기 때문이다.

딥러닝 모델에서는 '노드'라고 부르는 연산 유닛이 층 형태로 질서 정연하게 나열되어 있다. 기본적으로 층의 수나 노드 수가 많을수록 추론 성능이 높다. 생성 AI에 사용되는 대규모언어모델(LLM) 등과 같은 큰 모델에서는 수백 층에 달하며, 학습해야 할 매개변수의 수는 수천만~수억 개에 달하는 경우가 있다.

한편, 리저버 컴퓨팅에서는 ‘입력층’, ‘리저버층, ‘출력층’, 불과 3개 층으로 구성되어 있다. 더 나아가 학습 영역은 출력층에만 있고 학습 매개변수의 수는 많아야 10개 정도이다. 이를 통해 고속·저소비전력 학습이 가능하고, 마이크로컴퓨터 등과 같은 작은 컴퓨터에서도 충분히 처리할 수 있게 된다.

사람의 대뇌는 딥러닝의 구조에 가까운 것으로 알려져 있다. 층 수는 5개 층 정도로, 뉴런(노드)의 수가 많고 그것들이 3차원적으로 복잡하게 결합되어 있다. 기능 측면에서도 논리적으로 사고하고 판단한다는 점에서 딥러닝 모델은 대뇌와 비슷하다. 반면, 소뇌는 주로 운동 기능을 담당한다. “사람이 몸을 움직일 때 일일이 생각하지 않는 것과 같이, 리저버 컴퓨팅은 추론 결과를 내는데 필요한 연산량이 매우 적어 소뇌형 AI라고 말할 수 있다”(TDK 기술·지적재산본부 응용제품개발센터의 사사키 개발 실장)라고 한다.

-- 리저버층은 특징을 찾아내는 장치 --
리저버층에서는 노드가 랜덤하게 연결되어 부분적으로 순환하고 있다는 점이 특징이다. 입력층으로부터 전달된 입력 데이터는 리저버층에서 무질서하게 그 값이 흐트러진다. 여기서 리저버층의 흐트러진 상태는 입력 데이터의 시계열적인 특징을 표현한 형태라고 말할 수 있다. 즉, 리저버층은 '입력 데이터의 작은 특징의 차이를 과장되게 표현하는 장치'와 같은 역할을 담당하고 있다.

앞에서 설명한 가위바위보 데모를 예로 들어 좀 더 자세히 설명하겠다. 상대 엄지손가락에 장착된 가속도 센서의 값은 가위바위보를 할 때 손을 내는 방법에 따라 시계열적인 변화를 나타낸다. 이 시계열 데이터의 특징을 분석하면 가위, 바위, 보로 분류하는 것은 쉬워 AI를 사용할 필요도 없다. 하지만 엄지손가락이 움직이기 시작한 0. 수 초의 데이터를 통해 최종 손의 모양을 추정할 경우, 난이도가 크게 올라간다. 초동으로는 데이터의 특징에 차이가 나기 어렵기 때문이다.

가속도 센서의 데이터를 리저버층에 입력하면 데이터의 특징이 보다 분명하게 드러난다. 리저버층의 상태를 출력층으로 읽어냄으로써 상대가 손을 내기 전에, 가위, 바위, 보 중 어느 것일지 추정할 수 있다.

-- 리저버층을 물리현상으로 표현 --
리저버층에서는 입력 데이터를 적당히 흐트러뜨릴 수 있다면 연산 방법은 관계없다. 일반적으로는 컴퓨터의 프로그래밍 툴 등을 사용하여 모델을 구축해 소프트웨어로서 마이크로컴퓨터 등에 구현한다. 한편, 리저버층의 역할을 다양한 물리 현상으로 치환한 ‘물리 리저버 컴퓨팅’이라고 불리는 시스템이 제안되고 있다. 소프트웨어 구현에서는 도달할 수 없는 속도의 학습 및 추론, 저전력화를 실현할 수 있을 가능성이 있다.

TDK가 개발한 AI칩은 물리 리저버 컴퓨팅의 일종으로, 리저버층의 각각의 노드를 저항이나 콘덴서, 트랜지스터 등의 전자부품으로 표현한다. 2024년에 발표한 컨셉 실증 기기에서는 전자회로기판이 회의실의 긴 책상 정도의 크기였다. 이번에 발표한 AI칩은 아날로그 전자회로를 CMOS(상보형금속산화물반도체) 제조기술을 활용해 가로세로 4mm의 실리콘칩에 고밀도로 집적한 것이다.

TDK는 향후, 리저버 컴퓨팅과 MEMS 센서의 융합을 목표로 하고 있다. 예를 들면, 개발한 전자회로의 리저버 AI칩을 MEMS의 기판상에 구현하거나, 센서의 물리적·과학적 응답 자체를 물리 리저버로써 이용하는 연구를 추진할 계획이다. 목표는 센서를 데이터 수집만을 위한 툴이 아니라, 측정값을 분석해 가치 있는 정보를 선별해 전송하는 기기로 진화시키는 것이다.

TDK는 우선, 이번에 개발한 AI칩의 용도를 개척하는 데 주력, 2030년 이후의 양산화를 목표로 하고 있다. 리저버 탑재 MEMS 센서는 2036년 이후의 실용화를 목표로 하고 있다.

 -- 끝 –

Copyright © 2025 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.