KR102512331B1 - 신경세포의 신호 전달 체계를 이용하여 비정형적 연산의 출력이 가능한 바이오닉 뉴럴 인공지능 프로세서 - Google Patents

Abstract

본 발명은, 바이오닉 뉴럴 인공지능 프로세서에 있어서, 신경세포가 마련되며, 신경세포의 전기적 신호를 측정하도록 다수의 전극이 배열된 기판; 상기 기판에 입력된 자극으로 발생된 상기 신경세포의 전기적 활동을 상기 전극의 위치 정보에 마킹하여 상기 신경세포의 신호 전달 과정을 시각화한 이미지 데이터로 구축하는 데이터 셋 구축 모듈; 상기 데이터 셋 구축 모듈의 상기 이미지 데이터를 머신 러닝으로 학습하는 학습 모듈; 및 상기 학습 모듈의 학습 결과를 반영하여 상기 기판의 전극을 제어하는 데이터 처리 모듈을 포함하여, 신경세포의 신호 전달 체계를 이용한 비정형적 연산의 출력이 가능한 것을 특징으로 한다.

Description

신경세포의 신호 전달 체계를 이용하여 비정형적 연산의 출력이 가능한 바이오닉 뉴럴 인공지능 프로세서{BIONIC NEURAL AI PROCESSOR CAPABLE OF OUTPUTTING ATYPICAL CALCULATIONS USING A SIGNAL TRANSDUCTION SYSTEM OF NEURONS}

본 발명은 인공지능 프로세서에 관한 것으로서, 특히 신경세포의 학습을 기반으로 뉴런 세포를 연산에 활용하여 비정형적 연산의 출력을 수행할 수 있는 바이오닉 뉴럴 인공지능 프로세서에 관한 것이다.

신경세포는 축색과 수상돌기에 의한 시냅스 접합을 통한 네트워크로 신호를 전달한다. 신경세포인 뉴런의 네트워크는 계속된 과학기술의 발전에도 여전히 미지의 영역으로 남아 있는 뇌의 비밀과 맞닿은 영역이다. 현재 인류는 뉴런의 신경세포를 모방하여 머신러닝의 알고리즘을 수십년 간 개발해왔으며, 그 결과로 선형회귀, 로지스틱 회귀, 다중 신경망(Deep Learning) 등의 다양한 학습 기법들이 연구되어 왔다. 그러나, 인공지능 기계학습은 학습된 결과의 정확도와 판별력에 상당한 성과는 가져왔으나, 인간의 창의성 영역을 모방할 수는 없는 것이어서 여전히 인간과 유사한 사고를 가능하게 하는 알고리즘이나 프로세서는 묘연한 실정이다.

한편, 신경세포의 활성을 조절하는 것은 신경생리학 연구와 임상적 질병의 완화에 있어서 필수적이다. 이를 위해, 신경세포를 배양하여 네트웍을 형성시킨 미세전극칩을 전기, 약물 등과 같은 다양한 방법을 사용하여 제어함으로써 신경계의 기능증진 또는 회복에 활용하고 있다. 특히, 미세전극을 이용하면 신경세포의 미세 전기 신호를 측정하거나 미세전류를 이용한 전기자극이 가능하여 신경 네트웍의 연결 분석을 위한 미세전극칩에 대한 연구가 활발하다.

현재 미세전극칩을 이용한 신경세포의 제어 내지 자극을 수행하는 방법 관련 한국등록특허 제10-20143250호(광열 신경자극이 가능한 미세전극칩 및 이를 이용한 신경세포 제어 방법), 한국등록특허 제10-2027808호(신경세포 네트워크의 형성과 그 이용 및 신경세포 파종 디바이스) 등의 선행문헌이 개시되어 있다.

종래의 선행문헌들은 신경세포의 네트워크를 보다 좋은 분해능의 신호관찰이 가능하도록 구현하거나, 국소적 활성 억제가 가능하도록 구현하는 것과 같이 전극칩의 성능 또는 기능향상을 위한 연구가 활발하다. 반면, 이러한 미세전극칩을 이용한 뉴런 관찰에도 아직까지 신경세포 네트워크의 인과성 및 원리는 수학적으로 분석하기에 불가능에 가까운 영역으로 남아있으며, 인간과 유사한 사고 또는 연산이 가능한 프로세서의 구현은 아직 시도조차 되지 못하고 있는 실정이다.

이에, 본 출원인은 신경세포 네트워크의 기전을 분석하여 신경세포를 모사한 네트워크를 디지털로 구현하는 방법론에서 벗어나, 신경세포 자체를 프로세서로 이용할 수 있도록 칩을 구현하는 바이오닉 뉴럴 인공지능 프로세서를 고안하게 되었다.

한국등록특허 제10-20143250호 한국등록특허 제10-2027808호

본 발명은 신경세포의 전기적 신호를 학습하여, 디지털적으로 구현할 수 없었던 신경세포의 비선형적 연산의 수행이 가능한 바이오닉 뉴럴 인공지능 프로세서를 제공하고자 한다.

상기 목적을 달성하기 위하여 본 발명은, 바이오닉 뉴럴 인공지능 프로세서에 있어서, 신경세포가 마련되며, 신경세포의 전기적 신호를 측정하도록 다수의 전극이 배열된 기판; 상기 기판에 입력된 자극으로 발생된 상기 신경세포의 전기적 활동을 상기 전극의 위치 정보에 마킹하여 상기 신경세포의 신호 전달 과정을 시각화한 이미지 데이터로 구축하는 데이터 셋 구축 모듈; 상기 데이터 셋 구축 모듈의 상기 이미지 데이터를 머신 러닝으로 학습하는 학습 모듈; 및 상기 학습 모듈의 학습 결과를 반영하여 상기 기판의 전극을 제어하는 데이터 처리 모듈을 포함하여, 신경세포의 신호 전달 체계를 이용한 비정형적 연산의 출력이 가능한 것을 특징으로 한다.

바람직하게, 상기 기판은, 상기 신경세포의 조직 손상을 회복시키기 위한 신경아교세포(Glia Cell)가 더 마련될 수 있다.

바람직하게, 본 발명에 따른 바이오닉 뉴럴 인공지능 프로세서는 상기 기판에 배양된 상기 신경세포의 형상 및 배치를 촬영하는 현미경; 및 상기 현미경이 촬영한 상기 신경세포의 이미지에서, 상기 전극의 위치에 마련된 상기 신경세포의 이미지에 상기 전극의 신호 발생을 마킹하여, 상기 신경세포의 신호 전달 과정을 시각화한 이미지 데이터를 구축하는 영상 처리 모듈을 포함할 수 있다.

바람직하게, 상기 학습 모듈은, 상기 이미지 데이터를 학습 데이터 셋으로 하여 상기 신경세포의 신호 전달 경로, 신호 발생 상황, 또는 전달 경로의 변경 현황을 딥러닝 기반 인공지능 알고리즘으로 강화 학습할 수 있다.

바람직하게, 상기 학습 모듈은, 상기 이미지 데이터에서 입력된 자극에 따라 상기 신경세포의 전기적 활동이 전달된 경로의 케이스를 확률 기반으로 분석하되, 확률별 보상값을 부여하여 제1 확률의 신경 전달 경로를 제1 경로로 학습하고, 상기 제1 확률의 값보다 낮은 값을 갖는 제2 확률의 신경 전달 경로를 제2 경로로 학습할 수 있다.

바람직하게, 상기 데이터 처리 모듈은, 상기 제1 경로를 정형적 신경 전달 경로, 상기 제2 경로를 비정형적 신경 전달 경로로 분류하여, 생물학적 뉴런 활동이 필요한 데이터 처리 수행시 상기 제2 경로의 비정형적 신경 전달 경로로 상기 기판의 전극을 제어할 수 있다.

본 발명에 따르면, 배양된 신경세포 자체가 프로세서의 기판에 구성되고, 논리적으로 기전의 파악이 어려운 신경세포의 신호 경로를 학습한다. 이 때, 본 발명에 따른 학습 모듈은 뉴런의 위치와 신호발생의 위치를 합성한 이미지를 이용해 학습을 수행하므로, 신호전달의 이유 등 논리적인 요소를 고려하지 않고도 생체신호 자체를 그대로 학습할 수 있는 이점이 있다. 데이터 처리 모듈은 MEA 측정 전극을 전기 자극 전극으로 활용하여 학습된 데이터 기반으로 유의미한 신호전달의 전파 경로를 가이드 할 수 있다.

이러한 본 발명에 의하면, 논리적, 수학적으로 설명이 불가능한 바이오적 연산으로 비선형적, 비정형적인 출력값을 연산할 수 있으며, 이러한 비선형적 비정혁적인 연산 결과는 인간의 신경세포 기반의 학습 결과를 통해 파악된 창의성을 모방할 수 있는 유의미한 신호전달 메커니즘 일 수 있다. 본 발명은 논리적 접근으로 학습할 수 없는 미지의 영역인 인간의 사고체계를 기계학습으로 학습할 수 있는 메커니즘을 제시하며, 이러한 비정형적 학습의 결과물을 프로세서로 활용함에 따라 기존의 디지털적인 연산 외에 생물학적 연산의 결과를 출력할 수 있는 새로운 프로세서를 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 바이오닉 뉴럴 프로세서의 구성 개요를 나타낸다.
도 2는 본 발명의 실시예에 기판의 절단면으로 기판상 구성된 전극을 나타낸다.
도 3은 본 발명의 실시예에 따른 현미경과 영상처리 모듈을 이용한 학습 데이터 셋 구축 모습을 나타낸다.
도 4는 본 발명의 실시예에 따른 학습 모듈의 딥러닝 메커니즘을 나타낸다.
도 5는 본 발명의 실시예에 따른 데이터 처리 모듈의 피드백 메커니즘을 나타낸다.

이하, 첨부된 도면들에 기재된 내용들을 참조하여 본 발명을 상세히 설명한다. 다만, 본 발명이 예시적 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일 참조부호는 실질적으로 동일한 기능을 수행하는 부재를 나타낸다.

본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해 질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.

도 1은 본 발명의 실시예에 따른 바이오닉 뉴럴 프로세서(1)의 구성 개요를 나타낸다. 도 1을 참조하면, 바이오닉 뉴럴 프로세서(1)는 기판(10), 입력부(11), 전극(13), 신경세포(7), 현미경(3), 영상 처리 모듈(4), 데이터 셋 구축 모듈(30), 학습 모듈(50) 및 데이터 처리 모듈(70)을 포함할 수 있다.

본 명세서에서 지칭하는 바이오닉 뉴럴 프로세서(1)는 단일 프로세서 칩의 형태로 구현될 수도 있고, 프로세서 칩과 연동된 별도의 서버를 함께 총칭할 수 있는 광의의 개념으로 이해될 수 있다. 따라서, 본 실시예에 따른 바이오닉 뉴럴 프로세서(1)는 기판(10), 입력부(11), 전극(13), 신경세포(7), 현미경(3), 영상 처리 모듈(4), 데이터 셋 구축 모듈(30), 학습 모듈(50) 및 데이터 처리 모듈(70) 함께 패키징된 프로세서 칩으로 제공될 수 있다. 또한, 본 실시예에 따른 바이오닉 뉴럴 프로세서(1)는 데이터 셋 구축 모듈(30), 학습 모듈(50), 및 데이터 처리 모듈(70)이 별도의 서버에 구축되어 신경세포(7)가 마련된 기판(10) 및 현미경(3)과 상호 연동된 시스템으로도 제공될 수 있다. 본 실시예에 따른 바이오닉 뉴럴 인공지능 프로세서(1)는 신경세포(7)의 신호 전달 체계를 이용한 비정형적 연산의 출력이 가능할 수 있다.

기판(10)에는 신경세포(7)가 마련되며, 신경세포(7)의 전기적 신호를 측정하도록 다수의 전극(13)이 배열될 수 있다. 인공지능을 하드웨어적으로 구현하기 위해서, 뉴런과 시냅스를 모방하는 시스템을 뉴로모픽 시스템이라 한다. 그러나, 뉴런과 시냅스의 신경세포를 모방하기 위한 하드웨어 회로 시스템은 학습과정에서 가중치의 선정이 어렵고 가중치의 업데이트를 위해 입력과 가중치의 무수히 많은 곱셈 연산을 필요로 한다. 나아가, 이러한 학습을 진행한다 해도 인간의 사고를 모방할 수 있는 창의적 추론, 비정형적 논리 연산에 대한 구현은 여전히 해결되지 못하고 있다.

본 실시예에 따른 기판(10)에는 뉴런과 시냅스를 모방하는 회로를 구현하지 않고, 신경세포(7)를 직접 구비하여 신경세포(7)를 프로세서로 적용 가능하도록 구현한다. 뿐만 아니라, 기판(10)에는 신경세포(7)의 조직 손상을 회복시키기 위한 신경아교세포(Glia Cell)(71)가 더 마련될 수 있다. Glia Cell(71)는 Astrocyte와 Oligodendrocyte를 포함하여 구성될 수 있다. 본 특허는 이러한 신경시스템을 이루는 세포들을 칩 상에서 함께 배양해 마치 인간의 뇌와 같은 환경을 형성하고, 이를 통해 뉴런의 신경신호 전달이 원활하게 발생하도록 하는 Brain on a chip을 구현한다. 본 실시예에 따른 기판(10)은 인간의 뇌를 모사한 환경으로 미세유체 시스템 및 전기화학적 전극으로 구현될 수 있다.

전극(13)은 기판(10)에 실장 된 신경세포(7)들의 전기적 신호를 검출하거나, 반대로 신경세포(7)의 연산을 가이드하기 위한 전기적 신호를 전달하기 위해 마련된다. 1개의 전극(13)은 1~5㎛의 크기로 제공될 수 있다. 기판(10)에는 다수개의 전극(13)이 어레이되며, 전극(13)의 어레이는 2차원 평면의 형태로 전극 위에 위치한 신경세포의 x-y 2축의 위치 정보를 구축하도록 구현될 수 있다. 또한, 다른 실시예로, 기판(10)에 구비되는 전극(13)의 어레이는 z축 방향으로 다른 높이를 갖는 돌출된 구조로 x-y-z 3축의 위치 정보 구축이 가능하도록 구비될 수 있다.

도 2는 본 발명의 실시예에 기판(10)의 절단면으로 기판(10)상 구성된 전극(13)의 구성을 나타낸다. 전극(13)은 전력이 인가되는 단자(130), 전도성 액체(131) 및 절연부(133)로 구성될 수 있다. 단자(130)로는 그래핀이 함유된 Ag 또는 AgCI 전극이 제공될 수 있으며, 고감도로 뉴런의 신경전위를 측정하게 된다.

전극(13)은 웰(well)의 형태로 음의 곡률로 패여진 구조일 수 있다. 전극(13)의 웰(well) 하단에는 전도성 단자(130)가 마련된다. 웰(wll) 상에는 전도성 액체(131)가 마련될 수 있다. 전도성 액체(131)로는 그래핀이 함유될 수 있고, Ag 또는 AgCI의 전도성 잉크가 사용될 수 있다. 웰(well)의 격벽은 절연부(133)로 구성된다. 전극(13)의 상부에는 신경 세포(7)와 신경교세포(71)가 배양될 수 있다. 신경 세포(7)는 전극(13)의 상부면에 배양되며 시냅스 또는 뉴런이 전도성 액체(131)와 접촉되고, 신경세포의 전위 발생시 해당 전위가 웰(well)을 통해 단자(130)로 도통될 수 있다. 후술하겠으나, 이와는 반대로 데이터 처리 모듈(70)의 피드백 제어로 전극(13)의 단자(130)에 전압이 인가될 수 있으며, 전도성 액체(131)를 통해 역으로 신경세포(7)의 시냅스를 자극할 수 있다.

기판(10)의 일 영역에는 입력부(11)가 구성될 수 있다. 입력부(11)는 전기적 신호, 일반 디지털 프로세서의 디지털 신호의 입력 외에, 신경세포(7)를 자극할 수 있는 오감과 관련된 생체 신호의 입력이 가능한 구조일 수 있다. 본 실시예로, 입력부(11)는 고체, 기체 또는 액체의 물질이 투입될 수 있고, 이에 따라 후각의 신경세포(7)를 자극하는 케미컬 분자가 기판(10)으로 유입될 수 있다.

데이터 셋 구축 모듈(30)은 기판(10)에 입력된 자극으로 발생된 신경세포(7)의 전기적 활동을 전극(13)의 위치 정보에 마킹하여 신경세포(7)의 신호 전달 과정을 시각화한 이미지 데이터로 구축할 수 있다. 데이터 셋 구축 모듈(30)은 신경세포(7)의 신호 전달 과정을 시각화한 이미지 데이터로 구축하기 위해 현미경(3)과 영상 처리 모듈(4)과 연계될 수 있다. 본 명세서에서 지칭하는 현미경(3)은 세포 단위의 이미지 촬영이 가능한 영상 센서를 총칭하여 의미할 수 있다.

본 실시예로, 영상 처리 모듈(4)은 현미경(3)의 데이터 처리 서버 또는 PC 상에 마련될 수 있으며, 다른 실시예로 데이터 셋 구축 모듈(30) 상에 함께 구현되어도 무방하다. 도 1 및 도 3의 실시예에는 영상 처리 모듈(4)이 현미경(3)의 데이터 처리 서버 또는 PC 상에 마련된 경우로 도시되었다. 도 3은 본 발명의 실시예에 따른 현미경(3)과 영상처리 모듈(4)을 이용한 학습 데이터 셋 구축 모습을 나타낸다.

본 실시예에 따른 바이오닉 뉴럴 프로세서(1)는 신경세포(7)의 신호전달 과정을 학습 및 모방하기 위한 새로운 메커니즘을 제시한다. 뇌의 사고를 해석하기 위한 신호전달 과정은 아직까지 과학적으로 설명할 수 없는 미지의 영역에 해당한다. 본 실시예에서는, 신경세포(7)의 신호전달 과정을 머신러닝의 인공지능 기술을 사용하여 학습한다. 이 때, 신경세포(7)의 메커니즘 학습은 하드웨어적으로 모방되는 것이 아닌, 신경세포(7)의 활동을 직접적으로 학습하는 것임에 주목한다. 신경세포(7)의 활동을 직접 학습하기 위해서는, 학습을 위한 전처리를 어떻게 수행할 것인지와, 그에 따른 학습 데이터 셋을 어떤 형태로 구축하는지가 중요하다. 본 실시예에 따른 데이터 셋 구축 모듈(30)은 신경세포(7)의 신호전달 과정을 이미지로 전처리하여, 신호처리의 논리체계를 학습하는 것이 아닌 신호전달 과정의 이미지를 학습한다. 이를 위해, 신경세포(7)를 직접 촬영하는 영상센서의 수단과, 촬영된 신경세포(7)에 발생된 전기적 신호를 합성해야 하는 영상 처리 수단이 요구된다.

현미경(3)은 기판(10)에 배양된 신경세포(7)의 형상 및 배치를 촬영할 수 있다. 영상 처리 모듈(4)은 현미경(3)이 촬영한 신경세포(7)의 이미지에서, 전극(13)의 위치에 마련된 신경세포(7)의 이미지에 전극(13)의 신호(S) 발생을 마킹하여, 신경 세포(7)의 신호 전달 과정을 시각화한 이미지 데이터(33)를 구축할 수 있다. 신경세포(7)에 활동전위가 발생되면, 전극(13)의 어레이로 이를 검출할 수 있게 되며, 영상 처리 모듈(4)은 전극(13)의 위치 어드레스를 참조하여 신호 발생 경로를 역으로 신경세포(7)의 이미지에 합성할 수 있다. 이미지 데이터(33)는 프레임 단위로 연속적으로 생성하며, 전극(13)에서 검출되는 활성 전위의 신호(S)의 경로가 연속된 프레임으로 획득된다.

데이터 셋 구축 모듈(30)은 이미지 데이터(33)의 형태로 학습을 위한 데이터를 구축하여, 오픈 소스로 제공되고 있는 다양한 이미지 학습의 인공지능 알고리즘과 손쉽게 연동될 수 있도록 한다. 본 실시예에 따른 바이오닉 뉴럴 인공지능 프로세서(1)는 논리적으로 해석할 수 없는 인간 사고의 영역으로 비정형적, 비선형적 신호 전달 또는 연산을 실제 신경세포(7)의 신호전달 과정의 빅 데이터를 구축할 수 있다. 본 실시예에 따른 데이터 셋 구축 모듈(30)의 이미지 학습 방식은 기존의 인공지능 알고리즘의 이용이 가능하며, 복잡한 신호전달 체계의 하드웨어 적 구현이 요구되지 않는다.

학습 모듈(50)은 데이터 셋 구축 모듈(30)의 이미지 데이터(33)를 머신 러닝으로 학습하는 구성을 지칭한다. 학습 모듈(50)에는 딥러닝 또는 강화학습 관련 인공지능 알고리즘이 탑재될 수 있다. 학습 모듈(50)은 이미지 데이터(33)를 학습 데이터 셋으로 하여 신경세포(7)의 신호 전달 경로, 신호 발생 상황, 또는 전달 경로의 변경 현황을 딥러닝 기반 인공지능 알고리즘으로 강화 학습할 수 있다.

도 4는 본 발명의 실시예에 따른 학습 모듈(50)의 딥러닝 메커니즘을 나타낸다. 도 4를 참조하면, 학습 모듈(50)은 이미지 데이터(33)에서 입력된 자극에 따라 신경세포(7)의 전기적 활동이 전달된 경로의 케이스(P1, P2, P3)를 확률 기반으로 분석하되, 확률별 보상값(W1, W2)을 부여하여 제1 확률의 신경 전달 경로를 제1 경로로 학습하고, 제1 확률의 값보다 낮은 값을 갖는 제2 확률의 신경 전달 경로를 제2 경로로 학습할 수 있다. 본 명세서에서 지칭하는 신경 전달 경로는 2개 이상일 수 있으나, 메커니즘의 설명을 위해 제1, 2의 서수를 부여하였다. 도 4에서는 총 3개의 경로인 P1, P2, P3가 예시되었다. 확률별 보상값은 딥러닝 알고리즘에서 사용되는 weight 함수 또는 가중치의 개념을 총칭할 수 있다.

뉴런의 신호발생의 로직은 디지털의 논리 게이트로 대비하여 설명하면 XOR(Exclusive OR) 로직의 구현으로 이해될 수 있다. 뉴런은 소정의 역치 이상의 자극이 발생된 경우 활성전위가 다음 뉴런으로 전위된다. 이러한 역치 이상의 자극과 대응되는 개념으로 XOR 로직을 구현하기 위해 weight 함수 개념이 도입된다. XOR 로직을 위한 weight 함수의 적절한 가중치 값인 W의 값을 구하기 위해, 결과값을 피드백(ex.경사하강법)하여 XOR 로직의 출력을 낼 수 있는 W의 적절한 값을 구할 수 있게 되었으며, 이러한 학습이 인공지능 기계학습의 일종인 딥러닝의 기본 개념이 되었다. 바람직한 실시예로, 본 실시예에 따른 학습 모듈(50)은 딥러닝 알고리즘의 사용 및 주된 경로에 보상 또는 가중치를 추가 부여하는 강화학습 알고리즘이 적용될 수 있다.

다시, 도 4로 돌아와서 본 실시예에 따른 학습 모듈(50)에서의 기계학습 메커니즘과, 본 실시예에서 적용되는 확률별 보상값으로 W의 개념을 설명한다. 도 4를 참조하면, 비정형적 바이오닉 입력 신호를 A로 표기하였다. A는 입력부(11)를 통해 유입된 케미칼, 화학 분자, 항체, 촉각 등의 자극으로 신경세포(7)가 활성화된 시발점이 될 수 있다. 바이오닉 입력 신호(A)로 인하여, 해당 자극에 대응되는 신경세포(7)가 A의 위치에서 자극되어 활동전위가 발생된다.

이후, 신경세포(7)의 신호 전달은 뉴런 말단의 시냅스를 통해 복수개의 뉴런에 역치 이상의 자극이 전해지고, 복수개의 경로로 다른 신경세포(7)들이 자극된다. 도 4에서 최종적으로 자극되는 신경세포(7)의 종결 경로가 P1, P2, P3의 3가지로 분류된 예시를 확인할 수 있다. 학습 모듈(50)은 전처리 된 이미지 데이터(33)의 학습 결과, 신경세포(7)의 전달 경로의 각각을 분류하여 P1, P2, P3로 분류한다.

여기서 본 실시예에 따른 확률별 보상값(W1, W2)은 학습 모듈(50)의 학습시 무의미한 신호전달과 유의미한 신호전달을 구분하는 역할을 한다. 예시로, 냄새와 관련된 자극이 A 신경세포(7)를 자극한 케이스를 설명한다. 이 경우, 자극된 냄새의 물질과 관련된 정보를 담당하는 신경세포로 신호전달이 이루어지는 케이스를 P1이라 한다. 한편, 인간의 창의적 사고과정으로 냄새의 입력이 있을 때, 과거 해당 냄새를 인지했던 장소 등 사고적으로 연관된 신경세포를 자극한 케이스의 경로를 P2라 한다. 한편, 냄새가 자극 되었음에도, 냄새와 전혀 관계없는 나른 신경세포의 에 이르는 경로로 신호전달이 된 케이스를 P3이라 한다.

상기의 예시에서, 학습 모듈(50)은 동일한 A라는 자극에서 신경세포(7)의 가장 일반적인 신호전달 경로로서, 가장 높은 확률로 P1의 경로로 자극이 전달되는 경로의 경우, 이를 유의미한 경로로 학습하며 W1에 높은 가중치를 부여할 수 있다. 반면, 동일한 A라는 자극에서 일반적이지 않은 신호전달 경로로서, 낮은 확률로 자극이 전달되는 경로의 경우, 이를 무의미한 경로로 학습하여 W2에 낮은 가중치를 부여할 수 있다. 후술하겠으나, 상기의 과정은 데이터 처리 모듈(70)에서 역으로 연산되는데, 이는 보상 평가 과정으로 창의적인 경로와 일반적인 경로를 구분하는 강화학습 과정으로 이해될 수 있다. 학습시에는 유의미한 경로가 사실은 일반적인 또는 정형적으로 볼 수 있는 연산 메커니즘에 해당할 수 있으며, 학습시에는 무의미한 경로가 추후 프로세서의 연산 절차에서는 비정형적, 창의적인 연산 경로로 활용될 수 있다. 학습 모듈(30)이 부여하는 확률별 보상값(W)은 뉴런들의 상호작용과 그에 대한 보상의 의미를 지속적으로 학습하되, 창의적인 경로와 정형적인 경로를 보다 분별하여 학습할 수 있도록 한다.

데이터 처리 모듈(70)은 학습 모듈(50)의 학습 결과를 반영하여 기판(10)의 전극(13)을 제어할 수 있다. 데이터 처리 모듈(70)은 제1 경로를 정형적 신경 전달 경로, 제2 경로를 비정형적 신경 전달 경로로 분류하여, 생물학적 뉴런 활동이 필요한 데이터 처리 수행시 제2 경로의 비정형적 신경 전달 경로로 기판(10)의 전극(13)을 제어할 수 있다.

도 5는 본 발명의 실시예에 따른 데이터 처리 모듈(70)의 피드백 메커니즘을 나타낸다. 도 5를 참조하면, 데이터 처리 모듈(70)은 도 4의 예시를 기준으로 높은 확률값 또는 높은 보상값(W)의 학습 결과를 나타낸 P1의 경로를 제1 경로인 정형적 신경 전달 경로로 인식한다. 제1 경로는 학습시 유의미한 신경 전달 경로로 분류될 수 있다. 반면, 데이터 처리 모듈(70)은 낮은 확률값 또는 낮은 보상값(W)의 학습 결과를 나타낸 P3의 경로를 제2 경로인 비정형적 신경 전달 경로로 인식한다. 제2 경로는 학습시 무의미한 신경 전달 경로로 분류될 수 있다. 여기서, 학습 과정과 달리 데이터 처리 모듈(70)은 무의미한 신경 전달 경로였던 제2 경로가 창의적 사고 내지 비정형적 사고의 결과로 해석하여, P3의 경로로 기판(10)의 전극(13)을 자극하여 신경세포(7)의 상호 보완 작업을 수행할 수 있다. 본 실시예에서, 빠른 디지털 연산이 필요한 작업은 종래의 디지털 프로세서의 기능이 그대로 적용될 수 있으므로 본 상세한 설명에서 논외로 한다. 데이터 처리 모듈(70)은 창조, 감성 등 생물학적 뉴런 활동이 필요한 작업을 인간의 사고와 유사하게 출력한다. 이 과정은 역으로 신경세포(7)를 전극(13)을 통해 창조, 감성 등의 비정형적 경로로 자극하는 상호 보완 작업으로 신경세포(7)의 창조적 경로와 유사한 출력을 얻도록 연산하는 과정으로 이해될 수 있다.

도 5에서, 데이터 처리 모듈(70)은 실시예로, 학습 모듈(50)에서 도출된 확률 보상값(W1, W2, W3)의 역의 값(1/W1, 1/W2, 1/W3)을 통해, 학습 모듈(50)에서 무의미한 경로 또는 낮은 확률 보상값이었던 P3(W2)의 값이 가장 크게 설정되어, 비정형적 연산을 위한 유의미한 경로 P3‘으로 처리할 수 있다. 데이터 처리 모듈(70)은 학습 모듈(50)의 학습 결과를 위의 예시와 같은 방법으로 창조, 감성과 관련된 바이오닉 연산이 가능하도록 기판(10)을 자극할 수 있다.

이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.

1: 바이오닉 뉴럴 프로세서
3: 현미경
4: 영상 처리 모듈
7: 신경세포
71: 신경아교세포
11: 입력부
10: 기판
13: 전극
130: 단자
131: 전도성 액체
133: 절연부
30: 데이터 셋 구축 모듈
33: 이미지 데이터
50: 학습 모듈
70: 데이터 처리 모듈

Claims (6)

1. 신경세포가 마련되며, 신경세포의 전기적 신호를 측정하도록 다수의 전극이 배열된 기판;
   상기 기판에 입력된 자극으로 발생된 상기 신경세포의 전기적 활동을 상기 전극의 위치 정보에 마킹하여 상기 신경세포의 신호 전달 과정을 시각화한 이미지 데이터로 구축하는 데이터 셋 구축 모듈;
   상기 데이터 셋 구축 모듈의 상기 이미지 데이터를 머신 러닝으로 학습하는 학습 모듈; 및
   상기 학습 모듈의 학습 결과를 반영하여 상기 기판의 전극을 제어하는 데이터 처리 모듈을 포함하여,
   상기 학습 모듈은,
   상기 이미지 데이터를 학습 데이터 셋으로 하여 상기 신경세포의 신호 전달 경로, 신호 발생 상황, 또는 전달 경로의 변경 현황을 인공지능 알고리즘으로 학습하는 것을 특징으로 하는 바이오닉 뉴럴 인공지능 프로세서.
   
2. 제 1 항에 있어서,
   상기 기판은,
   상기 신경세포의 조직 손상을 회복시키기 위한 신경아교세포(Glia Cell)가 더 마련된 것을 특징으로 하는 바이오닉 뉴럴 인공지능 프로세서.
   
3. 제 1 항에 있어서,
   상기 기판에 배양된 상기 신경세포의 형상 및 배치를 촬영하는 현미경; 및
   상기 현미경이 촬영한 상기 신경세포의 이미지에서, 상기 전극의 위치에 마련된 상기 신경세포의 이미지에 상기 전극의 신호 발생을 마킹하여, 상기 신경세포의 신호 전달 과정을 시각화한 이미지 데이터를 구축하는 영상 처리 모듈을 더 포함하는 것을 특징으로 하는 바이오닉 뉴럴 인공지능 프로세서.
   
4. 삭제
5. 제 1 항에 있어서,
   상기 학습 모듈은,
   상기 이미지 데이터에서 입력된 자극에 따라 상기 신경세포의 전기적 활동이 전달된 경로의 케이스를 확률 기반으로 분석하되, 확률별 보상값을 부여하여 제1 확률의 신경 전달 경로를 제1 경로로 학습하고, 상기 제1 확률의 값보다 낮은 값을 갖는 제2 확률의 신경 전달 경로를 제2 경로로 학습하는 것을 특징으로 하는 바이오닉 뉴럴 인공지능 프로세서.
   
6. 제 5 항에 있어서,
   상기 데이터 처리 모듈은,
   상기 제1 경로를 정형적 신경 전달 경로, 상기 제2 경로를 비정형적 신경 전달 경로로 분류하여, 생물학적 뉴런 활동이 필요한 데이터 처리 수행시 상기 제2 경로의 비정형적 신경 전달 경로로 상기 기판의 전극을 제어하는 것을 특징으로 하는 바이오닉 뉴럴 인공지능 프로세서.
   
   

Images