신경 다양성의 수용: AI 효율성과 성능의 도약

다양성의 역할은 생물학에서 사회학까지 다양한 분야에서 논의되는 주제였습니다. 그러나 최근 노스 캐롤라이나 주립 대학교의 비선형 인공 지능 연구소(NAIL)에서 수행한 연구는 인공 지능(AI) 신경 네트워크 내에서의 다양성에 대한 새로운 관점을 제시합니다.

자기 반성의 힘: 내부적으로 신경 네트워크를 조정하는 것

윌리엄 디토(NC 주립 대학교 물리학 교수이자 NAIL 책임자)와 그의 팀은 내부적으로 신경 네트워크를 조정할 수 있는 AI 시스템을 구축했습니다. 이 프로세스는 AI가 뉴런의 수, 모양, 연결 강도 등을 결정할 수 있도록 해주며, 다양한 뉴런 유형과 강度를 갖는 하위 네트워크의 잠재성을 제공합니다.

“우리는 비인간 지능, 즉 인공 지능을 사용하여 AI가 다양성보다 다양성의 부족을 선택할지 여부와 그 선택이 AI의 성능을 개선할지 여부를 확인하는 테스트 시스템을 만들었습니다. 핵심은 AI에게 자기 반성을 가능하게 하는 것이었습니다.”라고 디토는 말합니다. “우리의 AI는 또한 다양한 뉴런이나 동질적인 뉴런 중에서 선택할 수 있었고, 우리는 모든 경우에 AI가 성능을 강화하기 위해 다양성을 선택한다는 것을 발견했습니다.”

전통적인 인공 신경 네트워크에서 다양한 신경 네트워크로, 학습된 다양한 신경 네트워크로의 진행. 선의 두께는 가중치를 나타냅니다

성능 지표: 다양성이 일관성을 초과한다

연구 팀은 표준적인 숫자 분류 연습을 통해 AI의 성능을 측정하고 놀라운 결과를 얻었습니다. 정적이고 동질적인 신경 네트워크를 사용하는 전통적인 AI는 57%의 정확도를 달성했습니다. 반면에, 메타 학습을 통해 다양성을 갖는 AI는 70%의 정확도를 달성했습니다.

디토에 따르면, 다양성을 기반으로 하는 AI는 더 복잡한 작업을 해결할 때, 예를 들어 펜듈럼의摆動이나 은하의 운동을 예측할 때, 최대 10배 더 높은 정확도를 보여줍니다. “실제로, 문제가 더 복잡하고 혼란스러워질수록, 다양성을 수용하지 않는 AI보다 성능이 훨씬 더劇的に 개선됨을 관찰했습니다.”라고 그는 설명합니다.

임팩트: AI 개발의 패러다임 전환

이 연구의 결과는 AI 기술 개발에 далеко-reaching한 영향을 미칠 것입니다. 이는 현재 널리 사용되는 ‘일괄적’ 신경 네트워크 모델에서 동적이고 자기 조정되는 모델로의 패러다임 전환을 제안합니다.

“우리는 AI에게 자기 반성을 가능하게 하면, 그것이 내부 구조, 즉 인공 뉴런의 구조를 다양성과 효율성을 높이기 위해 변경할 것임을 보여주었습니다. 이것은 특히 높은 수준의 적응성과 학습이 필요한 응용 분야, 즉 자율 주행 자동차에서 의료 진단까지, 매우 중요할 것입니다.”라고 디토는 결론합니다. 이 연구는 다양성의 내재적 가치를 강조하면서도, 동적이고 적응 가능한 신경 구조가 필요한 새로운 연구 방향을 제시합니다.

Office of Naval Research와 다른 협력자들의 지속적인 지원으로, 다음 연구 단계가 기대되고 있습니다.

“다양성을 내부적으로 수용함으로써, AI 시스템은 성능과 문제 해결 능력에서 상당한 향상을 기대할 수 있습니다. 이는 기계 학습과 AI 개발에 대한 우리의 접근 방식을革命적으로 변화시킬 수 있습니다.”