인공 망막을 위한 하이브리드 신경망·공간 변환 시스템

초록

**
본 논문은 아날로그 신경세포와 FPGA 기반 디지털 인터페이스를 결합한 하이브리드 신경망을 설계·시뮬레이션하고, 이를 인공 망막으로 활용하면서 8×8 배열에 대해 2차원 이산코사인 변환(DCT)을 수행하는 방법을 제시한다. Matlab·Spice 시뮬레이션과 실제 하드웨어 구현 결과를 통해 회로 구조, 가중치 저장 방식, 시간‑온(time‑on) 인코딩 메커니즘, 그리고 FPGA 자원 사용량을 분석한다.

**

상세 분석

**
이 논문은 아날로그 신경세포와 디지털 FPGA를 결합한 ‘하이브리드 뉴럴 네트워크’를 인공 망막으로 구현한다는 점에서 흥미롭다. 핵심 아이디어는 각 아날로그 셀을 펄스 발생기로 동작시키고, 펄스의 발생 빈도를 광 강도에 매핑한 뒤, FPGA가 스캔·가중치 연산을 수행해 시간‑온(time‑on) 형태의 시냅스 전류를 생성하는 것이다. 8×8×3 레이어 구조는 첫 번째 레이어에서 광 입력을 펄스 레이트로 변환하고, 두 번째와 세 번째 레이어에서 각각 행·열 방향 1차원 DCT를 수행해 최종 2차원 DCT 결과를 얻는다.

아날로그 셀은 멤브레인 전위 모델을 기반으로 하며, 방전/재충전 시간 상수를 통해 ‘시간‑온’ 값을 조절한다. 디지털 인터페이스는 고속 스캔(≥1 MHz)으로 셀 출력을 레지스터에 저장하고, 가중치 매트릭스 T와 그 전치 T’를 이용해 B = T·A·T’ 형태의 DCT 연산을 구현한다. 가중치는 FPGA 내 RAM에 저장되며, 복잡도는 O(N²) (N=8) 수준으로 확장 가능하지만, 셀당 논리 요소 3~9개가 필요하므로 대규모 확장은 자원 제한이 있다.

시뮬레이션 측면에서는 Matlab에서 Runge‑Kutta 기반 아날로그 셀 모델을 사용해 입력‑출력 파형을 확인하고, Spice에서는 회로 레이아웃과 전압/전류 파형을 검증한다. 실제 하드웨어에서는 외부 아날로그 셀을 연결한 버전과 FPGA 내부에서 아날로그 셀을 에뮬레이트한 두 가지 구현을 제시한다. 병렬 구현은 64 사이클(≈82 µs) 내에 전체 연산을 마치지만, 직렬 구현은 4096 사이클이 필요해 지연이 크게 늘어난다.

타이밍 분석에서는 펄스 → 시간‑온 변환 과정에서 발생하는 최대 0.1 % 오차와 10 %/ms 정도의 전압 감소율을 보고한다. 이는 실제 신경계의 발화율(10 Hz~1 kHz)과 비교했을 때 정확도는 10 % 수준에 머무른다. 학습 측면에서는 디지털 영역에서 Hebbian 규칙을 적용할 수 있으나, DCT 가중치는 하드와이어드된 상태로 남아 있어 가변적인 이미지 처리에는 제한적이다.

전반적으로 논문은 하이브리드 아키텍처와 시간‑온 인코딩이라는 독창적인 아이디어를 제시하지만, 실험 데이터가 부족하고 정확도·전력·스케일링에 대한 정량적 평가가 미비하다. 또한 유기 전자소자를 이용한 미래 제조 공정에 대한 언급은 구체성이 떨어진다. 이러한 점들을 보완한다면, 저전력 비전 센서나 엣지 컴퓨팅용 인공 망막으로의 실용화 가능성이 높아질 것이다.

**