조절 가능한 분자통신 기반 물리적 리저버 컴퓨팅

초록

본 논문은 분자통신(MC) 채널을 물리적 리저버 컴퓨팅(PRC)으로 활용하고, 확산·수용체 결합 등 생물물리적 파라미터를 조절해 메모리와 비선형성을 자유롭게 전환함으로써 예측·변환·복합 과제에 최적화된 작업 적응형 컴퓨팅을 구현한다. 베이지안 최적화를 통해 고차원 파라미터 공간을 효율적으로 탐색하고, 결정론적 평균장 모델과 입자 기반 stochastic 모델(Smoldyn) 두 가지 시뮬레이션으로 검증한다.

상세 분석

이 연구는 물리적 리저버 컴퓨팅의 핵심 한계인 “정적 구조”를 탈피하고, 생물학적 분자통신 채널을 가변형 연산 매체로 전환한다는 점에서 혁신적이다. 저자들은 MC 채널의 두 가지 물리적 메커니즘—확산에 의한 시간 지연(ISI)과 리셉터 결합/해리의 포화 비선형성—을 각각 “메모리”와 “비선형성”의 제어 변수로 정의하고, 이를 ‘제어 노브’라 명명한다.

1. 시스템 모델링

   • 확산은 3차원 Fick 2법칙으로 기술되며, 확산계수 D와 송신‑수신 거리 d가 ISI 길이를 결정한다. 낮은 D 혹은 큰 d는 신호가 오래 퍼져 메모리 윈도우를 확장한다.
   • 리셉터 동역학은 1차 결합식 db/dt = k_on·c_R·(1‑b) – k_off·b 로 표현되며, 결합 친화도 K_D = k_off/k_on이 포화 수준을 조절한다. 높은 친화도는 비선형 포화 구간을 넓혀 복잡한 변환을 가능하게 한다.
   • 입력 u(n)은 방출 분자 수 N_max 로 인코딩되고, 심볼 기간 T가 ISI와 메모리 양을 추가적으로 조절한다.

2. 가상 노드와 상태 벡터

   • 연속적인 수용체 결합 비율 b(t)를 M개의 시간 지연 샘플링으로 이산화해 가상 노드 집합 x_n ∈ ℝ^M을 만든다. 이는 전통적인 타임‑멀티플렉싱 방식과 동일하지만, 물리적 파라미터에 의해 샘플링 간격과 신호 형태가 크게 달라진다.

3. 베이지안 최적화 프레임워크

   • 파라미터 공간( D, d, k_on, k_off, N_max, T, 메모리 윈도우 길이 등)은 7차원이며, 각 파라미터는 실험적/생물학적 범위 내에서 제한된다. 저자들은 가우시안 프로세스(GP) 서러게이트 모델과 Expected Improvement(EI) 획득 함수를 사용해 NRMSE 최소화를 목표로 효율적으로 탐색한다. 200회의 결정론적 시뮬레이션만으로도 각 작업에 대한 최적 파라미터 클러스터를 도출했다.

4. 작업 별 최적화 결과

   • 혼돈 시계열 예측(Mackey‑Glass): 메모리‑중심 파라미터(낮은 D, 긴 d, 높은 k_off)에서 ISI가 길어져 과거 입력을 풍부히 보존한다. 최적 파라미터 집합은 NRMSE ≈ 0.097 수준을 기록한다.
   • 비선형 변환(사인→스퀘어): 비선형성‑중심 파라미터(높은 k_on, 낮은 K_D, 큰 N_max)로 리셉터 포화가 강조되어 입력을 급격히 왜곡한다. 최적 NRMSE ≈ 0.308.
   • 복합 과제(MG‑Cubed): 메모리와 비선형성의 균형이 필요해, 중간 정도의 D와 k_on/k_off 비율, 그리고 적절한 T가 선택된다. NRMSE ≈ 0.238.

5. 확률적 모델과 잡음 완화

   • Smoldyn 기반 입자 시뮬레이션은 분자 수의 통계적 변동을 반영해 결정론적 모델보다 높은 NRMSE를 보였지만, 사후 처리(예: 저역통과 필터, 평균화)로 잡음을 감소시켜 성능 격차를 크게 줄였다. 이는 실제 ‘wetware’ 구현 시에도 신호 처리 단계가 필수적임을 시사한다.

6. 의의와 향후 방향

   • 파라미터를 실시간으로 조절할 수 있는 메커니즘(예: 광조절 리셉터, 전기적 전송량 변조 등)을 도입하면, 물리적 리저버가 작업에 따라 자동으로 재구성되는 진정한 적응형 AI 하드웨어가 가능하다.
   • 또한, 본 프레임워크는 다른 물리적 매체(광학, 전자기, 기계적)에도 적용 가능하므로, “생체 영감형 가변형 컴퓨팅” 분야 전반에 걸친 설계 원칙을 제공한다.

전반적으로 이 논문은 물리적 시스템을 단순히 ‘노이즈’ 혹은 ‘제한 요소’로 보는 기존 관점을 뒤집고, 생물학적 파라미터 자체를 학습 가능한 하이퍼파라미터로 전환함으로써, 작업에 맞는 최적의 메모리·비선형성 균형을 자동으로 찾는 방법론을 제시한다.