[논문 리뷰] Memcomputing and Swarm Intelligence

Yuriy V. Pershin, Massimiliano Di Ventra|arXiv (Cornell University)|2014. 08. 28.

Advanced Memory and Neural Computing참고 문헌 21인용 수 4

한 줄 요약

이 논문은 메모리컴퓨팅을 이용한 메모리스티브 네트워크와 최단경로 문제를 해결하기 위한 개미군집최적화(ACO) 간의 직접적인 대응 관계를 수립한다. 두 접근 방식이 동일한 해를 도출하지만, 메모리컴퓨팅은 ACO의 확률적이고 다단계적인 과정과는 달리 단일 결정론적 단계 내에서 결과를 도출함으로써 나노스케일 하드웨어 구현 가능성을 열어준다.

ABSTRACT

We explore the relation between memcomputing, namely computing with and in memory, and swarm intelligence algorithms. In particular, we show that one can design memristive networks to solve short-path optimization problems that can also be solved by ant-colony algorithms. By employing appropriate memristive elements one can demonstrate an almost one-to-one correspondence between memcomputing and ant colony optimization approaches. However, the memristive network has the capability of finding the solution in one deterministic step, compared to the stochastic multi-step ant colony optimization. This result paves the way for nanoscale hardware implementations of several swarm intelligence algorithms that are presently explored, from scheduling problems to robotics.

연구 동기 및 목표

• 메모리컴퓨팅과 군집지능, 특히 개미군집최적화(ACO) 간의 이론적 및 실용적 연관성을 탐색하기 위해.
• 메모리스티브 네트워크가 최적화 문제에 대해 ACO의 동역학과 해를 재현할 수 있는지 확인하기 위해.
• 메모리컴퓨팅이 ACO의 반복적이고 확률적인 과정과는 달리 단일 결정론적 단계 내에서 동일한 최적 해를 도출할 수 있음을 입증하기 위해.
• 나노스케일 메모리스티브 장치를 이용한 군집지능 알고리즘의 하드웨어 구현 가능성 평가하기 위해.
• 현실적인 임계값 유형의 메모리스티브 시스템이 최적화 작업에서 해의 정확도와 수렴성에 미치는 영향을 조사하기 위해.

제안 방법

• ACO의 페로몬 기반 결정 규칙을 모방하기 위해 감쇠 동역학을 갖춘 전류 제어 메모리스티브 시스템의 수학적 모델링을 수행함.
• 노드 전압과 메모리스터 상태가 키르히호프 법칙에 따라 진화하는 메모리스티브 네트워크를 구현함. 이는 ACO에서의 개미 이동과 유사함.
• ACO의 확률적 전이 규칙(페로몬과 히우리스틱 정보 기반)을 메모리스터의 전류 기반 상태 진동에 매핑함.
• 두 경로 및 다중 경로 최단경로 문제의 수치적 시뮬레이션을 통해 ACO와 메모리스티브 네트워크 간의 해 동역학과 수렴성을 비교함.
• 실제 나노스케일 장치 행동을 반영하기 위해 전류 또는 전압 임계값을 갖는 임계값 유형의 메모리스터를 모델에 통합함.
• 메모리스티브 네트워크의 정 steady-state 해와 전류 분포를 분석하고, 이를 직접적으로 ACO 시뮬레이션에서의 개미 분포와 비교함.

실험 결과

연구 질문

• RQ1 메모리스티브 네트워크는 개미군집최적화 알고리즘과 동일한 최단경로 최적화 문제를 해결할 수 있는가?
• RQ2 ACO의 확률적 페로몬 업데이트와 메모리스티브 네트워크의 결정론적 전류 기반 상태 진동 간의 동역학적 대응 관계는 무엇인가?
• RQ3 메모리컴퓨팅 접근 방식은 ACO와 동일한 최적 해를 도출할 수 있으며, 만약 그렇다면 어떤 시간 척도에서 이루어지는가?
• RQ4 현실적인 임계값 유형의 메모리스티브 시스템은 최적화 과정의 해의 정확도와 수렴성에 어떤 영향을 미치는가?
• RQ5 메모리스티브 네트워크의 내재된 병렬성은 ACO의 다단계 확률적 성격과는 대비되어 단일 단계 해를 도출할 수 있는가?

주요 결과

• 메모리스티브 네트워크는 최단경로 문제를 단일 결정론적 단계 내에서 해결하지만, ACO는 다수의 확률적 반복이 필요하다.
• ACO에서의 개미 이동 동역학과 메모리스티브 네트워크에서의 전류 흐름 간에 일대일 대응 관계가 확립되었으며, 둘 다 동일한 해 경로를 도출한다.
• 메모리스티브 네트워크의 정 steady-state 전류 분포는 ACO 시뮬레이션에서의 최종 개미 분포와 유사하여 해의 등가성을 확인한다.
• 임계값 유형의 메모리스티브 시스템은 여전히 정확한 해로 수렴하며, 전류 임계값에 의해 유리하지 않은 경로의 전류가 감소하여 선택성 향상이 이루어진다.
• 메모리컴퓨팅의 해 품질은 네트워크 구조와 메모리스터 파라미터에 대해 강건하지만, 모든 구성이 최적 해를 보장하는 것은 아니다.
• 결과적으로 메모리컴퓨팅은 실세계 최적화 과제에 대한 소프트웨어 기반 군집지능 알고리즘에 대한 하드웨어 효율적인 대안이 될 수 있음을 시사한다.