딥러닝의 새로운 강자? 신경 진화(NE)의 전이 학습 능력이 주목받다!

본 논문은 신경 진화(NE)의 전이 학습 능력을 강화 학습(RL)과 비교 분석하여 NE의 우수성을 보여주는 연구 결과를 제시합니다. 두 가지 벤치마크를 통해 NE의 강인성과 확장성을 확인하였으며, 복잡한 실제 문제에 대한 NE의 적용 가능성을 시사하지만 동시에 그 확장성에 대한 추가 연구의 필요성을 강조합니다.

최근 엘레니 니시오티(Eleni Nisioti) 등 연구진이 발표한 논문 "When Does Neuroevolution Outcompete Reinforcement Learning in Transfer Learning Tasks?"는 인공지능 분야에 흥미로운 결과를 제시합니다. 생물학적 지능의 특징 중 하나인 다양한 과제에 대한 지속적이고 효율적인 기술 전이 능력을 인공 시스템에서 구현하는 것은 오랜 목표였습니다.

기존의 강화 학습(RL)은 고차원 제어 과제에서 학습에 있어 우수한 성능을 보이지만, 과제 변화에 취약하고 catastrophic forgetting 문제를 겪는 것으로 알려져 있습니다. 반면, 신경 진화(NE)는 그 강인성, 확장성, 그리고 지역적 최적점(local optima) 탈출 능력으로 주목받고 있습니다.

이 논문은 NE의 전이 학습 능력이라는, 아직 충분히 연구되지 않은 측면을 집중적으로 조사했습니다. 연구진은 두 가지 벤치마크를 도입하여 NE의 능력을 평가했습니다.

• stepping gates: 신경망이 모듈러 반복과 변형을 강조한 설계를 통해 논리 회로를 에뮬레이션하는 과제입니다.
• ecorobot: Brax 물리 엔진을 확장하여 벽이나 장애물과 같은 객체를 추가하고, 다양한 로봇 형태 간의 전환이 용이하게 설계되었습니다.

두 벤치마크 모두, 복잡성이 증가하는 과제를 통해 기술 전이를 평가할 수 있도록 커리큘럼(curriculum)을 도입한 것이 특징입니다. 실험 결과, NE 방법론은 전이 학습 능력에서 차이를 보였으며, RL 기준 모델보다 빈번하게 우수한 성능을 나타냈습니다.

특히, ecorobot 벤치마크에서는 로봇의 형태가 바뀌더라도 NE 기반 모델이 강인한 성능을 유지하는 것을 확인할 수 있었습니다. 이는 NE가 더욱 적응력 있는 에이전트를 구축하기 위한 기반으로서의 잠재력을 보여줍니다. 하지만, 복잡한 실제 문제에 NE를 확장하는 것은 여전히 해결해야 할 과제로 남아있습니다.

이 연구는 NE의 가능성을 보여주는 동시에, 더욱 강력하고 적응력 있는 AI 시스템을 개발하기 위한 끊임없는 연구의 필요성을 일깨워줍니다. 앞으로 NE가 AI 분야를 어떻게 변화시킬지 기대됩니다!