스파이킹 신경망 학습 분류 시스템

초록

본 논문은 전통적인 규칙 기반 학습 분류 시스템(LCS)에 스파이킹 신경망을 적용하여, 동적 내부 상태와 가변 구조를 통해 연속 실수 입력과 시간 의존 행동을 효과적으로 학습한다. 신경망의 뉴런과 수상돌기 성장 메커니즘을 진화시키는 구성주의 모델을 도입하고, 매크로‑액션을 이용한 시간 상태 분해를 구현해 로봇 시뮬레이션까지 성공적으로 적용하였다.

상세 분석

이 연구는 학습 분류 시스템(LCS)의 규칙 표현 방식을 근본적으로 재구성한다. 기존 LCS는 이산형 조건-행동 쌍을 사용해 탐색·활용 균형을 맞추었지만, 연속적인 실수 입력을 다루는 데 한계가 있었다. 저자들은 각 규칙을 스파이킹 신경망(Spiking Neural Network, SNN)으로 구현함으로써, 입력 신호의 시간적 패턴과 내부 전위 변화를 직접 모델링한다. SNN은 뉴런의 발화 시점과 전위 누적을 통해 동적 상태를 유지하므로, 동일한 입력이라도 과거의 맥락에 따라 다른 출력을 생성할 수 있다. 이는 특히 로봇 제어와 같이 연속적인 센서 스트림과 순차적 행동이 요구되는 환경에서 강력한 표현력을 제공한다.

구성주의 성장 모델은 뉴런과 수상돌기(시냅스)의 수를 진화 과정에서 자동으로 조절한다. 초기에는 최소한의 구조를 갖춘 개체군이 시작되며, 적합도 평가와 유전 연산(돌연변이·교차)을 통해 복잡도가 점진적으로 증가한다. 이러한 접근은 과도한 파라미터 설정 없이 문제 복잡도에 맞는 네트워크 규모를 스스로 찾아낸다. 특히, 수상돌기 성장은 입력 차원과 출력 차원 사이의 비선형 매핑을 유연하게 형성하게 하여, 기존 LCS가 필요로 하던 수동적인 매개변수 튜닝을 크게 감소시킨다.

시간 상태 분해를 위한 매크로‑액션 메커니즘도 핵심 기여 중 하나이다. 개별 SNN 규칙은 단일 행동을 출력하지만, 시스템은 연속적인 규칙 체인을 구성해 복합 행동 시퀀스를 생성한다. 이를 통해 장기 의존성을 가진 문제, 예컨대 연속적인 힘을 가해야 하는 마운틴 카(Mountain‑Car) 문제나 로봇 팔의 경로 계획 등에서 전통적인 LCS가 수렴에 실패하거나 매우 긴 학습 시간이 요구되는 상황을 극복한다. 매크로‑액션은 또한 행동 선택 정책을 단순히 즉시 보상에 의존하지 않고, 미래 보상의 기대치를 고려하도록 설계돼, 강화 학습의 탐험·활용 트레이드오프를 보다 효율적으로 관리한다.

실험 결과는 세 가지 주요 도메인에서 제시된다. 첫째, 연속적인 2차원 입력을 갖는 마운틴 카 문제에서 제안 시스템은 최적 정책을 빠르게 발견하고, 기존 LCS 기반 방법보다 30 % 이상 적은 에피소드로 수렴한다. 둘째, 복합 매크로‑액션이 필요한 미로 탐색 과제에서는 규칙 수가 현저히 감소하면서도 성공률이 95 % 이상 유지된다. 셋째, 로봇 시뮬레이터에서의 실시간 제어 실험에서는 SNN 규칙이 센서 노이즈와 지연에 강인함을 보이며, 목표 지점 도달 시간을 기존 제어기 대비 20 % 단축한다.

이러한 결과는 스파이킹 신경망을 LCS에 통합함으로써, 연속·시간 의존 문제에 대한 학습 효율성과 해석 가능성을 동시에 향상시킬 수 있음을 증명한다. 다만, 진화 과정에서의 계산 비용이 증가하고, 파라미터(예: 시냅스 가중치 초기화, 뉴런 발화 임계값) 선택이 성능에 민감하다는 한계도 언급된다. 향후 연구에서는 하드웨어 구현을 통한 실시간 적용과, 메타‑학습을 통한 파라미터 자동 조정 방안을 제시한다.