진화 신경망으로 복잡한 궤적 따라가기: 선형 성장 구현

초록

본 논문은 네 가지 핵심 기법(구조 동결, 시간적 스캐폴딩, 동질 출력 함수, 출력 경로 신규 생성)을 기존 NEAT 기반 진화 신경망에 추가함으로써, 로봇이 2‑D·3‑D 궤적을 따라가는 행동의 복잡도가 수천 세대에 걸쳐 거의 선형적으로 증가하도록 만든다. 실험 결과는 표준 방법 대비 10‑100배 높은 복잡도를 달성했으며, 제한 요인은 주로 연산 시간이다.

상세 분석

이 연구는 진화 로보틱스에서 행동 복잡도가 급격히 포화되는 문제를 ‘유전적 아키텍처 조정’이라는 관점에서 접근한다. 기존 NEAT(NeuroEvolution of Augmenting Topologies)는 무작위 변이와 연결/노드 추가를 통해 네트워크 규모를 점진적으로 늘리지만, 변이가 전체 유전체에 균등하게 적용되기 때문에 오래된 유용한 구조가 파괴되거나, 변이율이 고정돼 있어 성장 한계에 봉착한다. 저자들은 네 가지 보완 메커니즘을 제안한다.

1. 구조 동결(Frozen Structure): 최근에 생성된 유전자는 변이 대상이 되지만, 일정 세대 이상 살아남은 노드와 연결은 변이 금지(동결)한다. 이는 기존에 학습된 기능을 보존하고, 새로운 변이가 필요할 때만 활성화되는 ‘지역 변이 가중치’와 유사한 효과를 만든다.

2. 시간적 스캐폴딩(Temporal Scaffolding): 초기에는 간단한 궤적 구간만 제공하고, 개체가 해당 구간을 성공적으로 따라가면 점진적으로 궤적을 연장한다. 이렇게 하면 진화 압력이 단계적으로 증가해, 복잡한 행동을 한 번에 학습하려는 부담을 완화한다.

3. 동질 출력 함수(Homogeneous Transfer Function): 출력 노드에 사인 함수(sin πx)를 적용한다. 사인 함수는 입력 합계가 어떠한 값이든 전체 출력 범위