Loihi 스파이킹 뉴런을 활용한 고속 인지 도메인 온톨로지 기반 자산 배분

초록

본 논문은 인텔 Loihi 신경형 프로세서를 이용해 인지 도메인 온톨로지(CDO)에서 자산 배분 문제를 스파이킹 뉴런 그리드로 근사적으로 해결함으로써, 1000배 이상의 속도 향상과 99.9% 이상의 정확도를 달성한 방법을 제시한다. 저전력 임베디드 환경에서도 실시간 의사결정이 가능하도록 설계되었다.

상세 분석

CECEP(Cognitively Enhanced Complex Event Processing) 아키텍처는 인간과 유사한 추론 능력을 갖춘 인지 에이전트를 제공한다. 핵심 모듈인 CDO는 복잡한 관계와 제약을 그래프 형태로 모델링해 자산 배분, 스케줄링, 최적화 등 다양한 문제를 해결한다. 전통적인 온톨로지 기반 탐색은 탐색 공간이 급격히 확대되면서 계산량이 기하급수적으로 증가해 실시간 적용이 어려웠다.
이 논문은 스파이킹 뉴런을 이용한 병렬 탐색 메커니즘을 제안한다. 뉴런은 이진 상태(스파이크/비스파이크)로 자산 할당 여부를 표현하고, 시냅스 가중치는 제약 조건(예: 자산 총합, 포트폴리오 비중, 위험 한계 등)을 인코딩한다. 뉴런 간의 억제·흥분 연결을 통해 불가능한 조합은 자동으로 억제되고, 허용 가능한 조합만이 안정적인 스파이크 패턴으로 수렴한다.
Loihi는 이벤트 기반 비동기 처리와 로컬 메모리(스파이크 트레인 저장)를 제공해 전통적인 CPU/GPU 대비 전력 소모를 10~20배 낮춘다. 또한, 뉴런당 1kHz 수준의 시계열 업데이트가 가능해 탐색 단계가 수십 마이크로초 수준으로 단축된다. 논문에서는 10, 100, 1000개의 자산을 포함하는 세 가지 규모의 배분 문제를 실험했으며, 1000자산 경우 전통적인 SAT/ILP 솔버 대비 1200배 빠른 수렴을 보였다. 정확도는 99.9% 이상으로, 근사화 과정에서 발생하는 오차는 대부분 미미한 비용 차이(≤0.1%)에 머물렀다.
핵심 인사이트는 다음과 같다. 첫째, 제약식의 선형화와 이진화가 스파이킹 뉴런 모델에 자연스럽게 매핑될 수 있다. 둘째, Loihi의 로컬 학습 및 플라스틱성(plasticity) 메커니즘을 활용하면 동적 제약(예: 실시간 시장 변동)에도 빠르게 적응한다. 셋째, 뉴런 수와 시냅스 연결 밀도를 조절함으로써 정확도와 속도 사이의 트레이드오프를 정밀하게 제어할 수 있다. 마지막으로, 전력 측정 결과는 1W 이하의 소모로 동일한 문제를 해결할 수 있음을 보여, 배터리 구동 드론, 자율 로봇, 휴대용 분석 장비 등에 적용 가능함을 시사한다.