1. Neuro Computer

이 노트는 '인공지능 시스템' 강의를 수강하며 정리한 내용을 바탕으로 작성했습니다.

1. Neuro Computer 개요

뉴로컴퓨터는 기존 폰 노이만 아키텍처 컴퓨터와 구조가 다른, 생물학적 신경망을 본뜬 컴퓨팅 방식을 말합니다. 이 강의의 첫 주제로 뉴로컴퓨터가 일반 컴퓨터와 어떻게 다른지, 왜 필요한지를 다룹니다.

상징성 (Symbolic) vs 연결주의 (Connectionism)

전통적인 컴퓨터와 AI는 상징 처리(symbolic) 방식이었습니다. 규칙, 논리, 기호를 조작하는 방식이죠. 반면 뉴로컴퓨터는 연결주의(connectionism) 접근으로, 수많은 뉴런 간 연결 강도로 정보를 저장하고 처리합니다.

2. Learning (학습) 분류

뉴로컴퓨터의 핵심은 학습입니다. 학습 방식은 크게 세 가지로 나뉩니다.

Supervised Learning (지도학습)

• 입력과 정답 라벨이 함께 주어짐
• 예측값과 정답의 오차를 최소화하도록 학습
• 예: 분류, 회귀

Unsupervised Learning (비지도학습)

• 정답 없이 입력 데이터의 구조만 학습
• 패턴, 군집, 특징 발견
• 예: 클러스터링, 차원축소

Reinforcement Learning (강화학습)

• 환경과 상호작용하며 보상을 최대화
• 행동-보상 사이클로 정책 학습

Competitive Learning (경쟁학습)

• 뉴런들이 입력에 반응하기 위해 서로 경쟁
• 승자가 해당 패턴에 특화되도록 학습
• SOM(Self-Organizing Map) 등에 활용

3. 시냅스와 신경망 모델

생물학적 뉴런은 시냅스(synapse)를 통해 다른 뉴런으로부터 신호를 받습니다. 시냅스의 연결 강도가 바로 인공신경망에서의 가중치(weight)에 해당합니다.

학습이란 결국 이 시냅스 강도를 조정하는 과정입니다. 헤비안 학습(Hebbian Learning), Delta Rule 등 다양한 학습 규칙은 모두 이 가중치 업데이트 공식을 어떻게 정할 것인지에 대한 이론입니다.

4. CAM (Content Addressable Memory)

뉴로컴퓨터의 대표적 특성으로 내용 주소 지정 메모리(CAM)가 있습니다.

• 일반 RAM: 주소를 주면 해당 주소의 내용을 반환
• CAM: 내용(일부 또는 손상된 버전)을 주면 전체 내용을 복원

예를 들어 흐릿한 얼굴 사진을 주면 그에 해당하는 저장된 얼굴을 찾아내는 것이 CAM입니다. 이는 호프필드 네트워크(Hopfield Network)로 대표되는 연상 메모리(Associative Memory)의 기본 원리입니다.

5. Neuro Computer의 주요 특징

• 분산 표현(Distributed representation): 정보가 여러 뉴런에 분산 저장
• 적응/학습(Adaptation): 데이터로부터 자동 학습
• 특징 추출(Feature extraction): 원시 데이터에서 의미 있는 패턴 자동 발견
• 일반화(Generalization): 학습하지 않은 입력에도 적절한 출력
• 실시간 처리(Real-time): 병렬 구조로 빠른 응답
• 병렬성(Parallelism): 모든 뉴런이 동시에 계산
• 견고성(Robustness): 일부 뉴런 고장에도 전체 성능 유지 (graceful degradation)
• CPU 부담 감소: 전용 하드웨어로 구현 가능

6. 기존 컴퓨터 vs Neuro Computer

요약

이 장에서는 뉴로컴퓨터의 기본 개념과 필요성을 정리했습니다. 상징적 AI와 대비되는 연결주의 접근, 시냅스 기반의 학습, CAM 같은 특성들이 기존 컴퓨터와 다른 점입니다. 이후 장에서는 이 원리들을 구체적인 신경망 모델로 발전시켜 나갑니다.