신경기호 프로그래밍의 확장성 한계 돌파: DPNL과 ApproxDPNL 알고리즘 등장

파리-사클레 고등사범학교, 그르노블 알프스대학교, LIG 연구소 공동 연구진이 신경기호 프로그래밍(PNL)의 확장성 문제를 해결하는 새로운 알고리즘 DPNL과 ApproxDPNL을 개발했습니다. 논리적 근거 계산을 우회하고, 오라클과 재귀적 DPLL 유사 분해를 활용하여 정확하고 효율적인 추론을 가능하게 합니다. 실험 결과, 기존 방식보다 뛰어난 성능을 보였으며, PNL의 실제 응용 가능성을 크게 확대할 것으로 기대됩니다.

신경기호 프로그래밍의 새로운 지평을 열다: DPNL과 ApproxDPNL

인공지능 분야에서 신경기호 프로그래밍(Neurosymbolic Programming, PNL)은 뜨거운 감자입니다. 신경망의 강력한 학습 능력과 기호 프로그래밍의 논리적 추론 능력을 결합하여 더욱 강력하고 설명 가능한 AI 시스템을 구축하려는 시도이죠. 하지만 PNL의 발전을 가로막는 큰 장벽이 있었습니다. 바로 확장성입니다.

기존의 많은 PNL 시스템은 확률적 가중치 모델 계산 문제(PWMC)로 귀결되는데, 이는 논리적 근거(logical provenance)라 불리는 부울 함수를 계산해야 합니다. 문제는 이 논리적 근거의 절 구성 요소 수가 기하급수적으로 증가할 수 있다는 점입니다. 이는 계산 비용을 폭발적으로 증가시켜 PNL의 실제 적용을 크게 제한하는 병목 현상을 야기합니다.

파리-사클레 고등사범학교, 그르노블 알프스대학교, LIG 연구소의 연구진은 이러한 문제를 해결하기 위해 획기적인 새로운 접근 방식을 제시했습니다. 바로 DPNL과 ApproxDPNL 알고리즘입니다.

DPNL은 논리적 근거의 계산을 완전히 우회합니다. 오라클(oracle)과 재귀적 DPLL 유사 분해(recursive DPLL-like decomposition)라는 핵심 원리를 사용하여 논리적 추론 과정을 효율적으로 안내하고 가속화합니다. 이를 통해 정확한 추론을 더욱 확장 가능하게 만들어, 보다 정확한 모델을 구축할 수 있게 합니다.

더 나아가, 연구진은 ApproxDPNL을 제시하여 근사 추론까지 가능하게 했습니다. ApproxDPNL은 ε 또는 (ε, δ) 보장을 제공하며, 추론 과정에서의 근사치를 도입하여 PNL의 확장성을 더욱 끌어올립니다. 이러한 근사화는 속도를 높이면서도 추론 과정의 신뢰성을 보장한다는 점에서 매우 중요한 의미를 가집니다.

실험 결과는 놀라웠습니다. DPNL과 ApproxDPNL은 기존 방법에 비해 괄목할 만한 성능 향상을 보였습니다. 이는 PNL의 실제 응용 가능성을 크게 확대할 수 있는 중요한 진전입니다. Thomas Jean-Michel Valentin, Luisa Sophie Werner, Pierre Genevès, 그리고 Nabil Layaïda 연구진의 이번 연구는 PNL 분야의 새로운 지평을 열었다고 평가할 수 있습니다. 앞으로 PNL 기술 발전에 어떤 영향을 미칠지 귀추가 주목됩니다.