생물학적 비효율성을 탈피한 DXNN 플랫폼

초록

DXNN은 토폴로지와 가중치를 동시에 진화시키는 새로운 TWEANN 시스템으로, 튜플 기반 인코딩, 2단계 진화 과정, 목표지향 튜닝, 무교차 랜덤 강도 변이(RIM) 등을 도입한다. 이 구조는 종(speciation) 없이도 개체 다양성을 확보하고, 차원 저주를 완화하며, 센서·액추에이터 확장을 자연스럽게 지원한다. 실험 결과, 이중 폴 밸런싱 과제에서 기존 TWEANN보다 더 작고 빠른 솔루션을 얻었으며, 로봇 시뮬레이션에서도 복잡한 행동을 진화시켰다.

상세 분석

DXNN 논문은 기존 TWEANN이 안고 있던 몇 가지 근본적인 문제점을 체계적으로 해결하려는 시도로 평가할 수 있다. 첫 번째 핵심은 데이터베이스 친화적인 튜플 기반 인코딩이다. 기존의 그래프 혹은 문자열 기반 표현은 파싱 비용이 크고, 대규모 실험에서 저장·검색 효율이 떨어진다. DXNN은 각 뉴런을 (ID, 레이어, 활성화함수, 입력연결 리스트) 형태의 고정 길이 튜플로 정의함으로써, 관계형 DB 혹은 NoSQL에 바로 매핑할 수 있다. 이는 실험 로그와 진화 기록을 자동화된 파이프라인으로 관리하는 데 큰 장점을 제공한다.

두 번째는 2단계 진화 메커니즘이다. 초기 단계에서는 무작위 변이와 제한된 구조 변화를 통해 개체군을 넓게 탐색하고, 두 번째 단계에서는 “Targeted Tuning Phase”(TTP)를 적용해 기존 구조에 대한 미세 조정을 수행한다. TTP는 변이 발생 시 전체 가중치를 무작위로 바꾸는 것이 아니라, 최근에 추가·변경된 뉴런 혹은 연결에만 집중한다. 이는 차원 저주(curse of dimensionality)를 완화하고, 불필요한 파라미터 탐색을 억제한다.

또 다른 혁신은 Random Intensity Mutation(RIM)이다. 전통적인 교차(crossover) 연산은 부모 개체 간 유전자를 섞어 새로운 해를 만들지만, 교차가 불필요한 경우도 많다. RIM은 변이 강도를 동적으로 조절한다. 변이 확률이 낮을 때는 작은 폭의 가중치 변이를, 변이 확률이 높을 때는 구조적 변이(뉴런 추가·삭제, 연결 재배치)를 강하게 적용한다. 이렇게 하면 진화 과정에서 급격한 탐색과 점진적 수렴을 자연스럽게 교차 없이도 구현할 수 있다.

DXNN은 또한 내재된 특징 선택(feature selection) 메커니즘을 제공한다. 센서·액추에이터가 추가될 때, 새로운 입력 노드가 자동으로 네트워크에 연결될 수 있으며, 불필요한 연결은 변이 과정에서 자연스럽게 제거된다. 이는 로봇 공학이나 인공 생명 시뮬레이션처럼 환경이 동적으로 변하는 도메인에 매우 유리하다.

실험 결과는 두 가지 축을 중심으로 제시된다. 첫 번째는 표준 이중 폴 밸런싱(double pole balancing) 벤치마크에서의 성능이다. DXNN은 평균 30% 적은 뉴런 수와 20% 적은 평가 횟수로 목표 성공률을 달성했으며, 이는 구조적 효율성과 탐색 효율이 동시에 향상된 증거다. 두 번째는 다양한 소거(ablation) 실험으로, 각 모듈(튜플 인코딩, 2단계 진화, TTP, RIM)의 기여도를 정량화하였다. 특히 TTP와 RIM을 제거했을 때 수렴 속도가 급격히 저하되는 것이 확인되었다.

마지막으로, 2차원 오픈 엔드 식량 수집 및 포식자-피식자 시뮬레이션에서 DXNN은 지속적인 복잡도 증가를 보이며, 새로운 행동 전략을 스스로 발견했다. 이는 진화된 네트워크가 환경 변화에 적응하면서도 구조적 확장을 자연스럽게 수행할 수 있음을 보여준다. 전체적으로 DXNN은 기존 TWEANN의 한계를 뛰어넘는 설계 원칙을 제시하며, 로봇 제어, 인공 생명, 공동 진화 등 다양한 분야에 적용 가능한 강력한 플랫폼으로 평가된다.