월간전기



[신기술] KAIST, 인공지능의 수학적 원리 규명

2018-06-05

KAIST, 인공지능의 수학적 원리 규명 인공지능의 블랙박스 원리 밝혀 … 정밀분야 응용 가능 심층신경망은 최근 폭발적으로 성장하는 인공지능의 핵인 심층학습(Deep Learning)을 구현하는 대표적인 방법이다. ‘딥러닝’이라고도 하는 심층학습은 뇌를 모사하여 인공 신경세포를 여러 층으로 깊이 배열한 심층신경망(Deep Neural Network)을 구성하고, 빅데이타를 이용하여 연결망의 강도를 학습하는 기술이다. 그러나 아직 정확한 동작원리가 밝혀지고 있지 않아 결과를 예측할 수 있는 ‘설명이 가능한 인공지능’의 필요성이 제기되고 있다. KAIST는 이번 연구를 통해 그 가능성을 열어주었다. 자료: KAIST KAIST의 ‘바이오 및 뇌공학과’ 연구진이 인공지능의 기하학적인 구조를 규명하고 이를 통해 의료영상 및 정밀 분야에 활용이 가능한 고성능 인공신경망 제작의 수학적인 원리를 밝혔다. 인공지능의 블랙박스로 알려진 심층 신경망의 수학적 원리를 밝힌 것인 ‘심층 합성곱 프레임렛’(Deep Convolutional Framelets)이라는 새로운 조화분석학적 기술이라고 한다. 이 기술은 기존의 심층 신경망 구조의 단점을 보완하고 이를 다양하게 응용 가능할 것으로 기대된다. 이번 연구는 예종철 석좌교수가 주도하고 한요섭, 차은주 박사과정이 참여했고, 응용수학 분야 국제 학술지 ‘사이암 저널 온 이매징 사이언스(SIAM Journal on Imaging Sciences)’의 4월 26일자 온라인 판에 게재됐다. 최근에는 심층학습을 이용하여 사람보다 뛰어난 물체의 인식이 가능한 알고리듬이 제시되고 있으며, 알파고(AlphaGo)로 대표되는 강화학습, 영상의 화질 개선, 초고해상도 복원, 의료영상복원 등에 많이 이용되고 있다. 뿐만 아니라, 익히 알려진 바와 같이 이를 통해 인공지능은 바둑이나 체스 등과 같은 게임을 배우고 실행한다. 이 부분에 있어 인공지능은 이미 사람의 능력을 뛰어넘었다는 평가를 받고 있으며 4차 산업혁명의 핵심적인 기술로 손꼽히고 있다. 이러한 심층신경망이 뛰어난 성능을 보이고 있는 것은, 비선형성과 기하급수적으로 증가하는 표현의 가능성 때문이라고 추정되고 있다. 그러나 아직 이에 대해 정확한 동작원리가 밝혀지지 있지 않았고, 실제 응용에서는 시행착오를 통해 다양한 구조와 파라메터를 찾아오고 있다. 문제는 이러한 인공지능의 블랙박스가 의료나 자율주행 등과 같이 고도의 안전이 요구되는 분야에 응용될 경우 예기치 못한 결과를 가져올 수 있다는 점이다. 이로 인해 사회적으로나 기술적으로 ‘설명이 가능한 인공지능’(explainable AI: XAI) 대한 요구가 커지고 있다. XAI는 체계적인 원리에 의해 설계가 가능하고, 그렇기 때문에 그 결과가 예측이 가능하기 때문이다. 심층신경망 구조가 숨은 곳 행켈구조 행렬(Hankel matrix) 분해 과정 연구진은 심층신경망의 구조가 얻어지는 고차원 공간에서의 기하학적 구조를 찾기 위해 노력했다. 그 결과 기존의 신호처리 분야에서 집중 연구된 고차원 구조인 행켈구조 행렬(Hankel matrix)을 기저함수로 분해하는 과정에서 심층신경망 구조가 나오는 것을 발견했다. 행켈 행렬이 분해되는 과정에서 기저함수는 국지기저함수(local basis)와 광역기저함수(non-local basis)로 나눠진다. 연구진은 광역기저함수와 국지기저함수가 각각 인공지능의 풀링(pooling)과 필터링(filtering) 역할을 한다는 것을 밝혔다. 연구진은 이번 연구를 통해 제안한 수학적인 원리가 실제 생물학적인 신경망구조의 작동 원리와 유사하다는 점도 밝혔다. 즉, 생물학적인 신경망은 먼저 신경세포들 간의 구조적인 연결망이 형성된 후, 학습에 따라 신경세포간의 시냅스의 강도를 변화시켜 다양한 기능을 수행하는 기능적인 연결망이 만들어지는데, 이때 신경세포의 구조적인 연결망은 인공신경망의 풀링에 해당하는 광역기저함수에 해당하며, 신경세포의 기능적인 연결망은 인공신경망의 국소기저함수에 해당하는 필터라는 것을 보였다. 또한, 연구진은 기존의 심층신경망의 많은 구조들이 광역기저함수의 “완전복원조건”을 만족하지 못하며, 그 결과 예측치 못한 결과와 성능의 열화가 나온다는 것을 보였고, 이를 해결하기 위해 간단한 구조적인 변화를 통해서 설명 가능한 인공지능을 만들 수 있다는 것을 확인했다. 이러한 수학적인 원리를 통해 새로이 설계된 인공신경망을 영상의 잡음 제거, 손실화소 복원 및 의료영상 복원에 적용하였을 때 기존의 제안된 구조에 비해 뛰어난 성능을 보였다고 한다. 이번 연구의 성과는 무엇보다도, 블랙박스로 여겨지던 인공신경망의 동작 및 설계 원리를 밝혀 ‘설명 가능한 인공지능’을 제안했다는 점이다. 그리고 더 나아가 의료영상 및 정밀분야 등에 다양하게 응용할 수 있는 원천기술을 확보하게 됐다는 점에서 그 의미를 찾을 수 있다. 예종철 교수는 “시행착오를 반복해 설계하는 기존의 심층신경망과는 달리 원하는 응용에 따라 최적화된 심층신경망구조를 수학적 원리로 디자인하고 그 영향을 예측할 수 있다”며 “이 결과를 통해 의료 영상 등 설명 가능한 인공지능이 필요한 다양한 분야에 응용될 수 있다”고 말했다. 이번 연구는 과학기술정보통신부의 ‘중견연구자지원사업(도약연구) 및 뇌과학원천기술사업’의 지원을 받아 수행됐다. 용어설명 1. 심층학습(Deep learning) : 여러 비선형 함수의 심층적인 조합을 통하여 높은 수준의 추상화를 시도하는 기계학습으로 현대 인공지능의 대표적인 학습기법 2. 심층신경망(Deep neural network) : 뇌의 생물학적인 신경연결망을 모방하여 다층의 인공세포를 구성하고, 빅데이타를 이용하여 연결망의 강도를 학습시키는 인공지능 알고리듬 3. 합성곱(Convolution) : 시스템함수가 주어진 선형시스템에서 입력에 대해 출력을 나타내는 과정 4. 풀링(Pooling) : 심층신경망의 구현에 있어서 신호를 필터링한 후에 평균이나 최댓값을 통해서 차원을 줄이는 과정 5. 기저함수(Basis) : 주어진 함수를 가중치의 결합으로 표시할 수 있는 바탕 함수들의 집합 6. 국소기저함수(Local Basis) : 국소적인 영역의 신호를 표시하는데 사용하는 기저함수 7. 광역기저함수(Non-local Basis) : 넓은 영역에 분포하는 신호를 표시하는데 사용하는 기저함수 8. 행켈구조행렬(Hankel structured matrix) : 동일한 값이 특정한 구조를 따라 반복되는 형태의 행렬로서 합성곱의 과정을 행렬로 표시할 때 나타나는 행렬 < Energy News >