AI보다 더 심각한 문제: "뇌는 계산하고 있다" 가설이 공학에 미치는 영향 — 뉴로모픽 × 물리 시뮬레이션

「뇌형 컴퓨터는 수학에 약하다」는 상식이 흔들리다

뉴로모픽(neuromorphic) 컴퓨터는 뇌의 신경 회로에서 힌트를 얻은 계산기이다. 초저전력으로 병렬 및 비동기적으로 정보를 처리할 수 있는 반면, "엄밀한 수치 계산" — 특히 물리 시뮬레이션의 핵심을 이루는 편미분 방정식(PDE)에는 적합하지 않다고 오랫동안 생각되어 왔다. 그러나 2026년 1월 7일, Sandia 국립 연구소의 발표를 바탕으로 한 기사가 Phys.org에 게재되어 그 전제를 흔드는 연구가 소개되었다. 뇌형 계산기가 PDE를 놀랍도록 잘 풀 수 있다는 것이다. Phys.org

연구의 주역은 "유한 요소법(FEM)"과 "스파이킹 뉴럴 네트워크(SNN)"의 결합이다. FEM은 유체, 전자기장, 구조 역학 등을 기술하는 PDE를 이산화하여 거대한(그러나 희소한) 연립 일차 방정식 $Ax=b$ 를 풀어 근사 해를 얻는 "정석 중의 정석" 방법이다. 날씨 예보부터 재료 설계까지, 현대의 과학 기술은 FEM 없이는 설명할 수 없다. News Releases

NeuroFEM: 수치 해석을 "학습"이 아닌 "직역"하다

이번 연구(Nature Machine Intelligence 게재, 오픈 액세스)는 FEM의 희소 행렬 $A$ 의 구조를 그대로 SNN의 연결로 사상하고, 스파이크(발화)의 시간 관계로 해에 수렴시키는 알고리즘 "NeuroFEM"을 제시했다. 포인트는 "뉴럴 네트워크에 학습시켜 풀게 하는" 것이 아니라는 점이다. FEM으로 이미 확립된 수학을 뉴로모픽에 "네이티브한" 형태로 번역하는 발상이다. Nature

논문의 요약에 따르면, Poisson 방정식이라는 기본 PDE에서 의미 있는 정확도와, 병렬성이 높은 뉴로모픽 하드웨어 상에서 "이상에 가까운 스케일링"을 보였다고 한다. 실기는 Intel의 연구용 뉴로모픽 칩 Loihi 2. 더 나아가 2D/3D의 불규칙 메쉬나, 선형 탄성 등 다른 PDE로 확장할 수 있음도 보여주고 있다. Nature

구조를 좀 더 풀어보자: 메쉬의 각 절점이 "작은 신경 집단"이 된다

NeuroFEM에서는, FEM 메쉬의 각 노드에 대해 8~16개 정도의 뉴런 집단을 할당한다(여기는 하이퍼파라미터). 희소 행렬 $A$ 의 비제로 요소가 노드 간 시냅스 가중치로 반영된다. 우변 $b$ 는 각 뉴런에 더하는 바이어스로 주어지며, 노이즈 입력도 추가하여 비동기적으로 균형 잡힌 발화 상태를 만든다. 스파이크 열은 그대로 수치가 아니므로, 저역 필터적인 읽기(readout)를 통해 각 노드의 해의 추정치를 재구성한다. Nature

흥미로운 점은 "그대로 옮기면 해에 정상 바이어스가 남는다"는 문제에 대해, 각 뉴런에 국소 잔차를 적분하는 상태 변수를 추가하고, 분산형 스파이킹 PI(비례 + 적분) 제어로서 정상 오차를 없앤 점이다. 이를 통해 전체를 아우르는 "중앙 지휘탑" 없이, 국소 정보만으로 오차를 줄여 나간다. Nature

더 나아가, 네트워크를 한 번 구축하고 나면 우변(외력이나 소스 항)만 변경하여 다른 문제에 신속히 대응할 수 있으며, 추가 학습은 불필요하다고도 언급되어 있다. 이는 현장의 센서 입력에 맞춰 "항상 풀어가는" 방식 — 논문 중에서는 "뉴로모픽 트윈"적인 방향성 — 으로 이어질 수 있는 시사점이 된다. Nature

왜 "뇌형"이 PDE에 효과적인가: 저전력과 스케일의 논점

Sandia의 뉴스 릴리스는, PDE가 날씨 예보나 재료 거동 등 현실 세계의 모델링에 필수적이지만, 기존에는 막대한 계산 자원을 필요로 했다고 지적한다. 그 위에, 뉴로모픽은 뇌처럼 정보를 처리하기 때문에, 동종의 문제를 더 저전력으로 처리할 가능성이 있다고 위치 짓는다. News Releases

발언도 깊이 들어가 있다. Theilman씨는, 지능스러운 행동을 보이는 계산 시스템이 등장했지만 "뇌와는 전혀 닮지 않았고, 필요한 자원이 (솔직히 말해) 터무니없다"고 말한다. News Releases

Aimone씨도, 테니스의 타구 같은 운동 제어는 "매우 정교한 계산"이며, 뇌는 그것을 극히 저렴하게 처리하고 있다는 직관을 제시한다. Phys.org

여기서 논점이 되는 것은, PDE 솔버 같은 계산이 "대량의 국소 계산", "희소한 통신", "비동기 병렬"과 궁합이 좋다는 것이다. 실제로, 논문의 본문은, 뇌가 가진 희소·분산·비동기라는 제약이, 현대의 고성능 수치 계산이 직면하는 제약과 "묘하게 일치한다"고 말하며, FEM 유래의 희소 결합이 뉴로모픽 장점을 이끌어낼 수 있다고 주장한다. Nature

그러나 만능은 아니다: 정확도·구현·평가의 "다음 숙제"

한편, 현 시점에서 "기존 슈퍼컴의 완전한 대체"가 약속된 것은 아니다. 논문 중에서도, 잔차의 절대값은 설정에 따라 변동하며, 고전 솔버(예: SciPy의 spsolve)보다 열등할 수 있는 경우가 있으며, 파라미터 선택이 성능 관측에 영향을 미칠 수 있음을 시사하며, 더 많은 수치적 성질의 조사가 촉구되고 있다. Nature

그럼에도 불구하고, FEM이라는 "신뢰할 수 있는 수학"을 블랙박스 학습에 의존하지 않고 이식한 점은 무겁다. 응용 수학·계산 신경과학·하드웨어 설계가 같은 테이블에 앉음으로써, "저전력으로 돌아가는 시뮬레이션"이라는 새로운 도구가 갖춰질 가능성이 있다. Sandia 측도, 더 고도한 응용 수학 기법에 대응하는 "뉴로모픽 버전"이 있는지, 다음 질문을 던지고 있다. Phys.org

SNS(공개 범위에서 확인 가능했던) 반응 요약

※여기에서는 실제 외부에서 확인할 수 있었던 "게시물·신호"만을 소재로, 반응의 경향을 정리합니다(미확인 X 게시물 등은 조작하지 않습니다).

1. 연구자 본인이 "실용에 가까운" 점을 강조(LinkedIn)
   Aimone씨의 LinkedIn 게시물에서는, NeuroFEM이 희소 선형 시스템의 "주요 워크호스"를 저전력 뉴로모픽으로 다룰 수 있는 것, 수치 솔버로서의 비교 가능성, 사용자가 SNN을 "습득하지 않아도" 사용할 수 있는 설계 사상, 운동야 모델 유래의 뇌다운 희소성·국소성·비동기성 등이 언급되고, 반응(Like)도 붙어 있는 것이 확인된다. LinkedIn

2. 코드 공개에 대한 "즉각 반응"(GitHub)
   Sandia Labs 명의로 NeuroFEM의 리포지토리가 공개되어, 적어도 스타나 포크가 붙어 있는 것이 확인된다. 연구 커뮤니티에서는 "재현성의 입구가 있는가"가 초기 반응의 온도를 좌우하기 쉬우며, 여기는 호재이다. GitHub

3. 큐레이션형 뉴스레터에도 소개됨(Medium)
   AI 뉴스레터 형식의 기사에서, Nature Machine Intelligence 게재 논문으로 본 연구가 리스트업되어 있다. 전문 외 독자에게도 "눈에 띄는 경로"가 생긴 형태이다. Medium

4. "화제량"의 지표: Altmetric이나 공유 수
   Nature 측의 페이지에는 Altmetric 스코어(예: 67)가 표시되어, 온라인상에서 일정한 주목을 받고 있음을 읽을 수 있다. Phys.org 측에서도 공유 수가 표시되어 있다. Nature

Powered by ##HTML