스프레드시트로 구현하는 신경망 시뮬레이션: 캠벨릿 시대의 서막

초록

본 논문은 스프레드시트 환경에서 인공신경망을 시뮬레이션하기 위한 교육·연구 방법을 체계적으로 정리한다. 기존 접근법을 네 가지 범주(스프레드시트와 전용 도구 결합, 서드파티 애드인 활용, 매크로·내장 언어 개발, 순수 스프레드시트 구현)로 구분하고, 1890‑1950년대 주요 논문과 “Bulletin of Mathematical Biophysics”의 역할을 역사적으로 고찰한다. 라셰프스키·맥컬러크·피츠 등 초기 모델을 기반으로 연속·이산·연속‑이산 혼합 모델을 제시하며, 이미지 인식 등 현대 신경공학 응용까지 연결한다.

상세 분석

이 논문은 스프레드시트라는 일상적인 사무 도구를 인공신경망(ANN) 교육 플랫폼으로 전환하려는 시도를 학문적·역사적 맥락에서 조명한다. 첫 번째로 저자는 스프레드시트와 전용 신경망 시뮬레이터(예: MATLAB, Python‑based TensorFlow) 간의 하이브리드 방식을 제안한다. 이 접근법은 데이터 전처리와 시각화를 스프레드시트에서 수행하고, 복잡한 가중치 업데이트와 역전파는 외부 엔진에 위임함으로써 계산 효율성과 사용자 친화성을 동시에 확보한다. 두 번째 범주는 서드파티 애드인(예: Solver, Analytic Solver, NeuralTools) 활용이다. 이러한 애드인은 비선형 최적화와 비용 함수 최소화를 자동화해, 사용자가 직접 매크로를 코딩하지 않아도 신경망 학습을 구현할 수 있게 한다. 세 번째는 VBA(Visual Basic for Applications)·Google Apps Script 등 내장 스크립트 언어를 이용한 매크로 개발이다. 여기서는 가중치 행렬 초기화, 순전파, 역전파 로직을 직접 구현함으로써 교육적 투명성을 높이고, 알고리즘 내부 구조를 심층적으로 이해하도록 돕는다. 네 번째는 순수 스프레드시트 기능만으로 신경망을 구축하는 방법으로, 셀 간 수식 연결을 통해 가중치와 활성화 함수를 표현한다. 비록 계산 복잡도가 제한적이지만, 작은 규모의 퍼셉트론이나 2‑계층 네트워크를 실시간으로 시각화할 수 있다.

역사적 고찰에서는 1890‑1950년대 문헌 189편을 메타분석하여 “Bulletin of Mathematical Biophysics”(BM B)와 그 창시자 니콜라스 라셰프스키의 기여를 강조한다. 라셰프스키는 연속적인 두 변수(전위와 전류)로 신경세포를 모델링했으며, 이는 미분 방정식 기반의 연속 신경망 이론의 시초다. 맥컬러크·피츠는 이산적인 논리 회로 모델을 제시해, 신경망을 불 대수식으로 표현함으로써 디지털 구현 가능성을 열었다. 또한, 하우스홀더·란달의 연속‑이산 혼합 모델은 라셰프스키의 미분 방정식과 맥컬러크·피츠의 논리 연산을 결합해, 신경 활동의 연속적 변동과 이산적 스파이크를 동시에 기술한다. 논문은 이러한 고전 모델이 현대 딥러닝의 수학적 토대와 어떻게 연결되는지를 상세히 설명한다.

응용 측면에서는 이미지 인식, 패턴 분류, 간단한 로봇 제어 등 실제 사례를 들어 스프레드시트 기반 시뮬레이션이 교육 현장에서 어떻게 활용될 수 있는지를 제시한다. 특히, Solver 애드인을 이용한 비용 함수 최소화는 손글씨 숫자(0‑9) 인식 퍼셉트론을 구현하는 데 성공했으며, 학습 과정과 가중치 변화를 셀 색상으로 실시간 시각화함으로써 학습 직관을 크게 향상시켰다.

마지막으로 저자는 신경망 교육에 있어 “역사·유전적 접근법”을 강조한다. 즉, 라셰프스키·맥컬러크·피츠 등 초기 모델을 단계별로 재현하고, 이를 기반으로 현대의 비선형 최적화 기법을 추가함으로써 학습자가 모델의 물리·수학적 의미를 체계적으로 습득하도록 설계한다. 이는 단순히 도구 사용법을 가르치는 것이 아니라, 신경망 이론 자체에 대한 깊은 이해를 촉진한다는 점에서 교육적 가치를 높인다.