잊지 않는 AI: 뇌에서 영감을 얻은 새로운 연속 학습 접근법

인간의 뇌 작동 원리를 모방한 새로운 연속 학습(Continual Learning) 프레임워크 NeSyBiCL이 제시되었습니다. 신경망과 기호 추론 엔진을 결합하여 기존 지식을 유지하면서 새로운 과제에 적응하는 효율적인 학습 시스템을 구축하고, 새로운 벤치마크를 통해 기존 방식 대비 우수한 성능을 입증했습니다.

인공지능(AI)이 스스로 학습하고 발전하려면 연속 학습(Continual Learning) 이 필수적입니다. 하지만 기존 AI는 새로운 것을 배우는 과정에서 기존 지식을 잊어버리는 '망각' 문제에 직면해왔습니다. Amin Banayeeanzade와 Mohammad Rostami 연구팀은 이 문제를 해결하기 위해 인간의 뇌에서 영감을 얻은 혁신적인 접근법을 제시했습니다.

그들의 연구 논문, "Hybrid Learners Do Not Forget: A Brain-Inspired Neuro-Symbolic Approach to Continual Learning"은 인간 뇌의 시스템 1과 시스템 2를 모방한 Neuro-Symbolic Brain-Inspired Continual Learning (NeSyBiCL) 프레임워크를 소개합니다.

뇌를 모방한 AI 학습 시스템: 시스템 1과 시스템 2

NeSyBiCL은 두 가지 하위 시스템으로 구성됩니다.

• 시스템 1 (신경망 모델): 최근 과제에 빠르게 적응하는 역할을 합니다. 마치 우리 뇌가 새로운 정보를 즉각적으로 처리하는 것과 같습니다.
• 시스템 2 (기호 추론 엔진): 이전에 학습한 지식을 장기적으로 보존합니다. 인간의 장기 기억과 같이, 과거 경험을 축적하고 저장하는 역할을 수행합니다.

두 시스템은 상호작용하며, 시스템 2(기호 추론 엔진)가 축적한 지식을 시스템 1(신경망 모델)에 전달하여 새로운 과제에 대한 학습 효율을 높입니다. 이는 인간의 뇌가 과거 경험을 바탕으로 새로운 상황에 효과적으로 대처하는 방식과 유사합니다.

벤치마크를 통한 성능 검증

연구팀은 NeSyBiCL의 효과를 검증하기 위해 새로운 연속 학습 벤치마크를 제시하고, 기존의 신경망 기반 연속 학습 방법과 비교 실험을 진행했습니다. 그 결과 NeSyBiCL이 '망각' 문제를 효과적으로 해결하고, 기존 방법보다 뛰어난 성능을 보이는 것을 확인했습니다.

미래를 향한 발걸음

NeSyBiCL은 AI의 연속 학습 분야에 새로운 가능성을 제시합니다. 인간의 뇌 작동 원리를 AI에 적용하여 망각 문제를 해결함으로써, 보다 지능적이고 효율적인 AI 시스템 개발에 한 걸음 더 다가섰습니다. 이 연구는 AI 발전에 크게 기여할 뿐만 아니라, 인간 뇌의 작동 원리를 이해하는 데에도 중요한 시사점을 제공합니다. 앞으로 NeSyBiCL의 발전과 다양한 분야에의 적용이 기대됩니다.