1. 정의와 역사적 배경

• **퍼셉트론(Perceptron)**은 1958년 Frank Rosenblatt이 제안한 **인공신경망(Artificial Neural Network, ANN)**의 가장 기본적인 형태의 이진 분류 모델이다.
• 생물학적 뉴런(Neuron)의 동작 원리를 모방하여, 여러 입력을 받아 가중합 후 활성화 함수를 통해 출력값을 결정한다.
• 초기 인공지능(AI)의 핵심 연구 주제였으며, 기계가 스스로 학습할 수 있다는 가능성을 처음 제시한 모델이다.

---

2. 구조와 동작 원리

퍼셉트론은 다음과 같은 구성 요소를 가진다:

1. 입력층(Input layer): 입력 벡터 $\mathbf{x} = (x_1, x_2, \dots, x_n)$

2. 가중치(Weight): 각 입력에 연결된 가중치 $\mathbf{w} = (w_1, w_2, \dots, w_n)$

3. 가중합(Weighted sum):

   $z = \sum_{i=1}^{n} w_i x_i + b$

   여기서 $b$는 바이어스(Bias).

4. 활성화 함수(Activation Function): 단순 퍼셉트론은 계단 함수(Step Function)를 사용하여 임계값(Threshold) 기반 이진 출력 생성.

   $y = \begin{cases} 1 & (z \geq 0) \\ 0 & (z < 0) \end{cases}$

---

3. 학습 알고리즘

• **퍼셉트론 학습 규칙(Perceptron Learning Rule)**은 지도학습(Supervised Learning) 기반으로, 오분류된 데이터에 대해 가중치를 조정한다.

• 업데이트 식:

  $w_i \leftarrow w_i + \Delta w_i$
  $\Delta w_i = \eta (y_{true} - y_{pred}) x_i$

  여기서 $\eta$는 학습률(Learning Rate).

---

4. 장점

1. 단순성: 구조가 직관적이며 구현이 간단하다.
2. 자기 학습(Self-learning): 지도 학습을 통해 가중치를 자동 조정.
3. 이론적 기여: 현대 딥러닝 모델의 기반 구조를 제시.

---

5. 한계

1. 선형 분리 한계: 퍼셉트론은 **선형 결정 경계(Linear Decision Boundary)**만 학습 가능.

   • XOR 문제(XOR Problem) 해결 불가능 → 1969년 Minsky & Papert의 지적.

2. 표현력 부족: 복잡한 비선형 패턴 학습 불가.

3. 활성화 함수 제약: 계단 함수 기반이라 미분 불가능 → 역전파(Backpropagation) 불가능.

---

6. 극복과 발전

• 다층 퍼셉트론(Multilayer Perceptron, MLP): 은닉층(Hidden Layer)을 추가하여 비선형 문제 해결.
• 활성화 함수 발전: Sigmoid, Tanh, ReLU(Rectified Linear Unit) 등 도입으로 학습 성능 개선.
• **역전파 알고리즘(Backpropagation, 1986년 Rumelhart 등)**의 등장으로 딥러닝 발전의 기초 확립.

---

7. 응용 및 의의

• 초창기에는 문자 인식, 단순 패턴 인식에 적용.
• 오늘날에는 직접적인 활용보다는 신경망 이론의 토대로서 교육·연구적 가치가 크다.
• 퍼셉트론 → 다층 퍼셉트론(MLP) → 합성곱 신경망(CNN) → 순환 신경망(RNN) → 트랜스포머(Transformer)로 이어지는 딥러닝 기술 발전의 출발점이다.

---

8. 결론

퍼셉트론은 단순한 선형 분류기임에도 불구하고, 현대 딥러닝의 기초를 제공한 역사적·이론적 의의가 크다. 한계(XOR 문제)를 극복하기 위한 연구가 이어져, 결국 오늘날 인공지능 발전의 동력이 되었다. 따라서 기술사 관점에서 퍼셉트론은 “AI 발전사에서의 초석이자, 신경망 이론의 기원”으로 평가할 수 있다.

---