인공신경망 (Neural Network)
쉽게 풀면
사람 뇌는 수많은 신경세포(뉴런)가 서로 신호를 주고받으며 정보를 처리합니다. 인공신경망은 이 아이디어를 단순화해서, 숫자를 입력받아 계산한 뒤 다음 층으로 전달하는 작은 계산 단위(노드)를 여러 층으로 쌓아 만든 컴퓨터 모델입니다. 사진 속 고양이를 인식하는 과정을 예로 들면, 첫 번째 층은 선과 모서리 같은 아주 단순한 특징을 감지하고, 다음 층들은 이를 조합해 눈, 귀, 털 무늬 같은 점점 복잡한 특징을 인식하며, 마지막 층에서 "이건 고양이다"라는 최종 판단을 내립니다.
왜 중요한가
인공신경망은 이미지 인식, 자연어처리, 음성인식, 추천시스템 등 오늘날 대부분의 딥러닝 응용 분야를 떠받치는 기본 구조이기 때문에 논문에서 빠지지 않고 등장합니다. 새로운 모델 구조(트랜스포머, 합성곱신경망 등)나 학습 기법(정규화, 최적화 알고리즘 등)에 관한 연구들은 대부분 인공신경망이라는 공통 틀 위에서 개선점을 논의합니다. 또한 신경망의 표현 능력과 한계를 이론적으로 분석하는 연구도 인공지능의 기초를 다지는 중요한 주제로 다뤄집니다.
논문에서는 이렇게 쓰입니다
여러 층으로 쌓인 계산 구조를 학습시켜 이미지를 분류하는 데 사용했다는 뜻입니다.
순차적인 데이터(시계열, 텍스트 등)를 다루는 과제에서 신경망 구조를 적용한 사례를 설명하는 표현입니다.
임베디드·모바일 환경처럼 자원이 제한된 조건에서 신경망을 적용하는 실무 연구 맥락에서 쓰이는 표현입니다.
조금 더 깊게 보면
신경망 내부에서는 입력이 가중치와 활성화 함수를 거쳐 층마다 변환되며, 오차역전파(backpropagation)를 통해 각 가중치가 얼마나 예측 오차에 기여했는지를 계산해 조금씩 수정해 나갑니다. 층의 개수(깊이)와 각 층의 노드 수(너비), 활성화 함수의 종류, 학습률 같은 요소들이 모델 성능에 큰 영향을 미치며, 이런 설정값을 하이퍼파라미터라고 부릅니다. 최근에는 합성곱신경망(CNN), 순환신경망(RNN), 트랜스포머(Transformer) 등 특정 데이터 구조에 특화된 변형 구조들이 널리 쓰이고 있습니다.
주의할 점
"뇌를 본떴다"는 표현 때문에 인공신경망이 실제로 사람처럼 사고하거나 이해한다고 오해하기 쉽지만, 이는 생물학적 신경계를 극도로 단순화한 수학적 계산 구조일 뿐이며 실제 뇌의 작동 방식과는 크게 다릅니다. 성능이 뛰어나다고 해서 그 판단 근거를 사람처럼 설명할 수 있는 것도 아닙니다.