AI 전력난 해법 찾았다…KIST, 저전력 뉴로모픽 AI 학습기술 개발[과학을읽다]

뇌 닮은 스파이킹 신경망 성능 세계 최고 수준으로 끌어올려
AI 반도체 핵심 원천기술 확보…세계 최고 AI학회 ICML 채택

생성형 인공지능(AI) 확산으로 데이터센터의 막대한 전력 소비가 새로운 사회적 문제로 떠오른 가운데 국내 연구진이 사람의 뇌처럼 적은 전력으로 동작하는 차세대 인공지능의 성능을 획기적으로 높일 수 있는 핵심 학습 기술을 개발했다. 저전력 AI 반도체 상용화를 앞당길 수 있는 원천기술이라는 평가다.

한국과학기술연구원(KIST)은 반도체기술연구단 박성식 선임연구원 연구팀이 뉴로모픽 인공지능의 핵심인 스파이킹 신경망(SNN)의 학습 성능을 크게 높이는 새로운 학습기법 'A²SG(Adaptive and Asymmetric Surrogate Gradients)'를 개발했다고 23일 밝혔다.

학습 방식에 따라 인공지능 모델이 도달하는 학습 지형 비교. 연구팀 제공

연구 결과는 세계 3대 인공지능 학회 가운데 하나인 국제머신러닝학회(ICML) 2026 정규 논문으로 채택됐다.

스파이킹 신경망은 사람의 뇌처럼 필요한 순간에만 전기 신호를 주고받는 방식으로 작동해 기존 딥러닝보다 전력 소모를 크게 줄일 수 있다. 하지만 학습 효율이 떨어져 ChatGPT와 같은 생성형 AI에 활용되는 심층신경망(DNN) 수준의 성능을 내기 어렵다는 한계가 있었다.

AI 성능은 높이고 연산량은 줄였다

연구팀이 개발한 A²SG는 학습 과정에서 인공지능이 스스로 학습 방향을 조절하도록 하는 적응형 기법과 실제 뇌 신경세포의 특성을 반영한 비대칭 기법을 결합한 것이 특징이다. 이를 통해 기존 스파이킹 신경망의 학습 효율을 크게 높였다.

연구팀은 ChatGPT의 핵심 구조인 트랜스포머 기반 대형 스파이킹 신경망에 A²SG를 적용한 결과, 이미지 인식 분야 대표 평가인 이미지넷(ImageNet)에서 세계 최고 수준의 정확도를 달성했다고 설명했다.

특히 성능뿐 아니라 효율성도 높였다. 구글의 대표적인 스파이킹 신경망 학습기법보다 추가 연산량은 약 6분의 1 수준에 불과했지만 정확도는 더 높게 나타났다. 소형부터 대형 모델까지 다양한 신경망 구조에서도 일관된 성능 향상을 보여 범용성도 확인했다.

ICML 2026에서 연구 성과를 발표한 KIST 박성식 박사 연구팀. (좌측부터) 박성식 선임연구원(교신저자), 강예찬 석사과정 학생연구원(제1저자), 박소희 석사과정 학생연구원(공동저자)이 서울 코엑스에서 열린 ICML 2026 포스터 발표장에서 기념 촬영을 하고 있다. KIST 제공

이번 성과는 글로벌 빅테크와 해외 대학이 주도해온 뉴로모픽 AI 학습 알고리즘 분야에서 국내 연구진이 독자적인 원천기술을 확보했다는 점에서도 의미가 있다.

연구팀은 기존 하드웨어를 변경하지 않고 소프트웨어만으로 적용할 수 있어 스마트폰과 웨어러블 기기, 드론, 상시 작동하는 스마트 센서 등 저전력이 중요한 온디바이스 AI 분야에 폭넓게 활용될 것으로 기대했다. 앞으로는 KIST가 개발 중인 차세대 AI 반도체 'RPU(Random Processing Unit)'와 연계해 저전력 AI 반도체 상용화도 추진할 계획이다.

박성식 KIST 선임연구원은 "뉴로모픽 인공지능의 성능 향상을 가로막던 학습의 구조적 난제를 해결해 저전력 AI의 실용화 가능성을 높였다"며 "차세대 AI 반도체에서 동작하는 인공지능 모델 개발로 이어져 저전력 AI 시대를 여는 데 기여하겠다"고 말했다.

김종화 기자 justin@asiae.co.kr