우리 학교 바이오및뇌공학과 정재승 교수 연구팀이 생각만으로 높은 정확도(90.9~92.6%)로 로봇팔을 조종할 수 있는 뇌-기계 인터페이스 시스템을 개발했다.
뇌-기계 인터페이스 시스템은 뇌활동을 분석해 의도를 파악하고, 이를 기반으로 로봇이나 기계를 제어하는 기술이다. 해당 기술은 드론, 장애 보조 장치 등 미래 사회의 다양한 영역에서 활용될 것으로 예측된다. 특히 저사양의 하드웨어로도 의도를 섬세하게 파악하여 작동하는 기술 개발은 제품성과 상용화에 있어서 중요한 과제 중 하나였다.

 연구팀은 축적 컴퓨팅과 유전자 알고리즘을 사용하여 새로운 뇌-기계 인터페이스 시스템을 만들었다. 그 결과 3차원 공간상에서의 방향을 90% 이상의 정확도로 정교하게 해석할 수 있었다. 또한, 기존 기계학습 기술은 고사양의 하드웨어가 필요했던 반면, 축적 컴퓨팅 기법을 이용한 연구팀의 기술로는 저사양의 하드웨어에서도 인공지능 학습이 가능하다.

뇌파를 읽고 해석하는 디코딩 단계가 가장 어려워

 뇌-기계 인터페이스 시스템은 측정 장치를 통해서 뇌활동을 받아들인 후, 신호화 과정을 거쳐 분석해 입출력 장치에 명령을 내리는 방식으로 구현된다. 이중 가장 어려운 단계는 뇌활동에서 의도를 읽는 디코딩 단계다. 이는 뇌파가 가지는 특성에서 기인한다. 우선 뇌파는 개개인의 차이가 매우 크다. 또한 하나의 신경 세포로부터 단일한 신호를 읽는 것이 아니라 넓은 영역에 있는 신경 세포 집단의 전기적 신호 특성을 해석해야한다. 따라서 분석이 복잡하고 잡음이 크다는 어려움이 있다. 

저전력 저사양의 시스템과 높은 정확도 구현

 연구팀은 이러한 문제 해결을 위해 축적 컴퓨팅 기법과 유전자 알고리즘을 이용했다. 물은 컵 모양에 따라 스스로의 모양을 바꾼다. 물과 같이 인공신경망이 신호에 따라 네트워크의 연결구조를 스스로 다양하게 바꾸어 최적의 결과를 내도록 설계된 방법이, 바로 축적 컴퓨팅 기법이다. 이를 통해 뇌-기계 인터페이스에서 필요한 개개인의 뇌파 신호의 중요 특성을 스스로 학습해 찾을 수 있도록 구현했다. 

 또 축적 컴퓨팅 방법의 인공신경망이 최적의 뇌파 특성을 효율적으로 찾기 위해서는 다양한 네트워크들 간의 내부 비교가 필요하다. 이에 유전자 알고리즘을 이용했다. 마치 유전자들이 다양한 조합으로 최적의 적응을 이루어내는 것처럼 인공신경망끼리 경쟁을 붙였더니, 간단한 하드웨어만으로 아주 효율적으로 학습한다는 것을 발견했다. 이 두 가지 기법을 모두 활용해 연구팀은 저전력 저사양의 시스템으로 92.6%라는 높은 정확도를 얻을 수 있었다.

핵심 발상을 떠올린 계기

 축적 컴퓨팅은 열대성 환경에서의 토네이도 형성, 곡물창고의 낱알 움직임 등 자연에서 얻은 비선형 시스템을 분석하는데 널리 사용되어 온 머신러닝 기법이다. 그런데 대뇌 시스템도 자연에서 발견되는 대부분의 시스템처럼 비선형 카오스 특성을 가지고 있다. 연구팀은 축적 컴퓨팅 기법을 대뇌 신경데이터에 적용해보자는 발상을 떠올렸다. 이번 논문의 제1저자인 김훈희 박사는 이러한 시도로 드론의 3차원 움직임을 생각만으로 정확히 제어 가능하다는 것을 이전에 증명해낸 적이 있다. 이를 좀더 발전한 이번 연구는 축적 컴퓨팅 머신러닝 기법을 드론 운행 제어에서 로봇팔 제어로 확장해 성공 가능성을 증명한 학문적 시도이다.

 정 교수는 뇌-기계 인터페이스 기술을 차세대 스마트폰이나 메타버스 시스템에 적용하는 것이 목표라고 밝혔다. 또한, 포스트 인공지능 시대가 오면, “사람과 기계(로봇)의 상호작용, 결합, 공생이 가장 중요한 화두”가 될 것이라며 장기적인 비전으로 삶의 질을 높일 뇌공학 기술들에 대한 학교 구성원에 많은 관심을 독려했다.