일본산업뉴스요약

Start Up Innovation / Science
AI의 판단 해명에 도전
물리∙수학을 구사해 블랙박스화 해소 기대

AI 기술 중 하나인 심층학습(딥러닝) 등 기계학습이 이루어지는 시스템을 수학과 물리학을 이용해 근본적으로 이해하려는 연구가 활발하다. AI 이용의 과제인 블랙박스화를 해소할 수 있을 뿐만 아니라 보다 고도의 기계학습의 방법 개발로도 이어질 수 있을 것으로 기대되고 있다.

이화학연구소(理化学硏究所)의 AI 연구거점인 혁신적지능통합연구센터(이화학연구소 AIP)의 소노다(園田) 특별연구원 팀은 심층학습이 어떻게 이루어지는지에 대해 물리모델을 활용해 이해∙해명하는 연구를 추진하고 있다.

-- 사람의 뇌에서 힌트 --
심층학습은 그 내부에서 어떠한 일이 일어나고 있는지는 알 수 없지만 영상인식 및 자연언어 처리 등에서 타당한 해답을 찾아낸다. “심층학습이 잘 이루어지고 있다는 것은 그 배후에 미지의 이론이 있기 때문이다. 수학을 이용해 이러한 블랙박스를 화이트박스로 만들고 싶다”(소노다 특별연구원)라고 한다.

심층학습을 시행하는 뉴럴 네트워크는 사람의 뇌의 움직임에서 힌트를 얻어 신경세포에 해당하는 인공 뉴런(노드)을 너비 방향과 깊이의 방향으로 다수 배치. 입력층에서 출력층으로 신호가 흐르면서 이루어지는 뉴런 간 결합 무게(매개변수)의 변화를 통해 학습이 진행된다.

현재 실용화되고 있는 AI 번역기의 뉴럴 네트워크의 경우, 매개변수의 수가 2억개에 달하는 것도 있어 개별적인 해석은 어렵다. 이를 해결하기 위해 연구원 팀이 선택한 방법은 매개변수를 가지고 있는 뉴런을 연속된 양으로 변환해 수학적으로 다루기 쉽도록 한 것이다.

소노다 연구팀의 연구에 따르면 수학의 적분 이론을 이용해 뉴런의 너비 방향으로 매개변수의 분포를 연속적으로 표현할 수 있다. 심층학습의 ‘깊이’에 해당하는 각 층 간의 관계도 얕은 층부터 가장 깊은 층까지 점을 이동시켰을 때의 궤도(연속궤도)를 구할 수 있다.

뉴런 너비 방향의 매개변수의 연속 무게, 깊이 방향의 연속 궤도 모두 데이터를 통해 계산이 가능한 것으로, 이러한 데이터와 심층학습의 내용 관계는 “적절한 지식을 가진 전문가라면 해석이 가능하다”(소노다 연구원). 이것이 블랙박스화 해소의 첫 걸음이 될 것이라고 한다.

같은 이화학연구소 AIP의 수리과학팀(사카우치(坂內) 팀리더)은 ‘수학을 통한 기계학습 분야의 본질적인 돌파구’를 내걸며 확률론과 위상수학, 그래프 이론 등 다양한 수학 분야 연구자들과의 네트워크를 구축해 공동연구를 추진하고 있다.

수리과학팀이 최근 이루어낸 성과는 기계학습에서 다루기 힘들다고 알려져 있는 시계열(Time series) 데이터 간의 유사도를 정의하는 연구이다.

지금까지는 데이터의 추이가 행렬로 표현 가능한 ‘선형(線形)’과 하나의 상태에 수렴되어가는 ‘안정적’인 경우에만 이러한 유사도를 정의할 수 있었다. 수리과학팀은 고도의 수학이론을 활용해 ‘비(非)선형’ 또는 ‘비(非)안정적’인 경우에도 시계열 데이터 간의 유사도를 정의하는데 성공. 컴퓨터 실험 통한 실증에도 성공했다.

‘물리학과 AI의 융합’을 연구 목표로 내걸고 작년 말에 도쿄대학에서 발족한 곳이 ‘지식의 물리학연구센터’이다. 센터장을 맡고 있는 우에다(上田) 교수는 “물리 데이터에 기반을 둔 진정한 의미의 설명 가능한 AI, 과학이 가능한 AI를 만들겠다”라고 말한다.

-- 연구 수단으로 활용 --
우에다 교수에 따르면 기존의 AI연구는 웹 상의 정보나 자연언어, 음성 등 사람의 뇌가 만들어내는 빅데이터를 다루고 있지만, 이러한 데이터는 문화적∙사회적∙진화론적 제약을 받는다고 한다.

이러한 데이터를 바탕으로 AI를 학습시킬 경우 데이터의 유사성 등 상관관계는 알 수 있어도 인과관계를 특정하는 것은 어렵다. 이것이 설명 가능한 AI를 만드는데 장애가 된다고 한다.

반면, 물리 실험 등으로부터 얻는 물리 데이터는 재현성과 신뢰성이 보증된 것으로 결과에서 원인을 역추적하는 것이 가능하다. 이러한 물리 데이터에 기반을 둔 AI를 통해 설명 가능한 AI 구축에 이상적인 틀을 마련할 수 있게 된다는 것이다.

연구자들 사이에서는 소재 개발 및 의약품 개발 등의 연구 수단으로써 심층학습 등 기계학습을 활용하는 움직임이 활발하다. 말하자면 ‘과학을 위한 AI’이다. 물리학에서도 소입자 실험에서 방대한 데이터로부터 의미가 있는 데이터를 찾아내거나 천체 관측의 영상처리에 AI를 이용하고 있다.

지식의 물리학연구센터에서는 이러한 ‘물리학을 위한 AI’와 함께 물리학 시점에서 기계학습의 본질을 모색. ‘AI를 위한 물리학’을 연구해 기계학습의 돌파구 마련을 목표로 하고 있다.

 -- 끝 --