자율 학습 위엔 브리지 발진기 네트워크로 구현한 뇌형 연관 기억

초록

위엔 브리지 발진기와 가변 저항 결합을 이용해 위상 기반 패턴을 저장·회복하는 연관 기억 회로를 구현하였다. 로컬 헤비안 학습 규칙이 연속적으로 가중치를 조정해 학습과 추론을 동일한 아날로그 동역학 안에서 수행한다. 쿠라모토 위상 모델과 에너지 함수를 통해 학습된 위상 패턴이 안정적인 어트랙터가 됨을 시뮬레이션과 실제 하드웨어 실험으로 검증하였다. 2‑4‑2 구조의 은닉층을 포함한 다층 네트워크에서도 동일한 원리가 적용되며, 입력 전환 시 에너지 스파이크와 완화 과정을 통해 ‘놀람’ 감소와 에너지 지형 재구성이 관찰된다.

상세 분석

본 논문은 아날로그 회로 수준에서 뇌의 연관 기억 메커니즘을 구현하기 위해 위엔 브리지 발진기(Wien bridge oscillator) 네트워크와 가변 저항(디지털 포텐셔미터)으로 구성된 시냅스 구조를 제안한다. 각 발진기는 고정 진폭의 사인파를 생성하며, RC 네트워크에 의해 자연 진동수가 결정된다. 발진기 간의 저항 결합은 양(비반전 입력) 혹은 음(반전 입력) 커플링을 제공해 위상 차이를 끌어당기거나 밀어내는 역할을 한다. 이러한 물리적 커플링은 쿠라모토 모델의 Kij·sin(ϕi‑ϕj) 형태와 직접 대응되며, 회로 동작을 에너지 최소화 과정으로 해석할 수 있다.

에너지 함수 F(ϕ)=−∑i<jKij·si·sj (si=cosϕi) 로 정의된 Hopfield‑형 에너지와 동일하게, 회로는 위상 벡터가 지역 최소점(어트랙터)으로 수렴하도록 설계된다. 논문은 실험적으로 측정된 전압 파형을 Hilbert 변환으로 위상 추출 후, 비선형 최소화(Oja‑형 감쇠 포함)로 Kij와 ωi를 추정한다. 시뮬레이션(LTspice)과 실제 측정이 거의 일치함을 보이며, 쿠라모토 모델이 실제 회로 동역학을 충분히 설명함을 확인한다.

학습 메커니즘은 연속적인 헤비안 규칙 ˙Kij=η·cos(ϕi‑ϕj)−ληKij 로 구현된다. 여기서 η는 학습률, λ는 정규화(감쇠) 파라미터이다. 입력 발진기(두 개)는 외부 DDS로 위상을 고정(clamp)하고, 출력 발진기(두 개)는 작은 구동 전압으로 목표 위상으로 유도한다(ϕO←ϕ*O). 학습 동안 입력 패턴을 교대로 제공하면, Kij는 외부 신호에 의존하지 않고 오직 위상 차이의 코사인에 의해 업데이트된다. 이는 ‘함께 발화하는 뉴런은 연결된다’는 생물학적 원리를 물리 회로에 그대로 옮긴다.

두 개의 이진 패턴(