진화 학습으로 구현하는 네트워크 가변성 제어성 및 전이 학습

초록

본 논문은 진화적 탐색을 이용해 토폴로지가 자유로운 네트워크를 학습시켜, 정적 입력‑출력 함수(밴드패스, 임계값, 역밴드패스 등)를 구현한다. 학습된 네트워크는 소수의 드라이버 노드만으로 제어 가능하며, 동일 네트워크 내에서 다중 연산을 수행하고, 이전에 학습한 기능을 기반으로 새로운 기능을 빠르게 습득하는 전이 학습 능력을 보인다.

상세 분석

이 연구는 네트워크 기반 계산 모델을 진화적 탐색(Evolutionary Search)과 학습 프레임워크에 통합함으로써, 구조적 유연성과 기능적 견고성을 동시에 달성한다는 점에서 혁신적이다. 먼저, 네트워크는 노드와 가중치(또는 연결 강도)로 구성된 그래프 형태로 정의되며, 토폴로지는 사전 고정되지 않고 진화 과정에서 자유롭게 변한다. 진화 알고리즘은 변이(Mutation), 교차(Crossover), 선택(Selection) 과정을 통해 후보 네트워크 집합을 반복적으로 개선한다. 여기서 핵심 적합도 함수는 네트워크가 목표 정적 입력‑출력 관계를 얼마나 정확히 재현하는가를 측정한다. 구체적으로, 입력 벡터를 고정된 파라미터(예: 주파수, 진폭)로 변조하고, 네트워크가 수렴한 고정점(steady‑state)에서 출력값을 측정한다. 목표 함수는 밴드패스 필터, 임계값 함수, 역밴드패스 함수 등 다양한 형태를 포함하며, 각각은 서로 다른 비선형 특성을 가진다.

학습 과정에서 네트워크 규모는 10^2에서 10^6 노드까지 네 개 정도의 규모 차이를 보이며, 이는 ‘네 개의 규모(order)’를 의미한다. 규모가 커질수록 탐색 공간이 급격히 확대되지만, 진화적 탐색은 적합도 기반의 압축을 통해 효율적으로 최적해에 접근한다. 특히, 네트워크가 수렴한 후에도 드라이버 노드(driver nodes)의 비율이 일정하게 유지된다는 관찰은, 진화 과정이 내부 구조를 ‘제어 가능성(controllability)’을 보존하도록 자동 조정함을 시사한다. 제어 가능성은 선형 대수학적 방법(예: 최대 매칭 알고리즘)으로 평가되며, 전체 노드 대비 필요한 최소 드라이버 노드 수가 전체 규모에 비례하지 않고 일정 비율(≈5 %)에 머무른다.

다중 연산(multiplexing) 측면에서는, 입력을 이진 코드화하여 네트워크가 동일한 구조 내에서 서로 다른 연산을 선택적으로 수행하도록 설계했다. 예를 들어, 입력의 상위 비트를 ‘모드 선택 비트’로 사용하면, 동일 네트워크가 밴드패스, 임계값, 역밴드패스 중 하나를 동시적으로 구현한다. 이는 네트워크가 내부 상태(노드 활성도)의 다중 안정점(multistable states)을 활용해 서로 다른 매핑을 저장하고 있음을 의미한다. 이러한 다중 연산 능력은 생물학적 세포 내 신호전달 회로가 환경에 따라 다른 기능을 수행하는 메커니즘과 유사하다.

전이 학습(transfer learning) 실험에서는, 네트워크가 먼저 함수 A를 학습한 뒤 함수 B를 학습하도록 했다. 결과는 B를 처음부터 학습할 때보다 평균 30 %~45 % 적은 진화 단계만으로 수렴했으며, 이는 기존에 형성된 구조적 ‘모듈’이 새로운 기능에 재활용될 수 있음을 보여준다. 특히, 네트워크가 이미 밴드패스 형태를 구현하고 있을 경우, 역밴드패스 함수로 전환할 때 필요한 변이 수가 크게 감소한다. 이는 진화적 학습이 ‘기능적 거리(functional distance)’를 최소화하도록 경로를 탐색한다는 점을 시사한다.

전반적으로 이 논문은 (1) 진화적 탐색이 토폴로지와 가중치를 동시에 최적화해 복잡한 정적 연산을 구현할 수 있음을, (2) 학습된 네트워크가 구조적 제어성을 유지하면서도 소수의 드라이버 노드만으로 전체 상태를 전이시킬 수 있음을, (3) 동일 네트워크가 입력 코드에 따라 다중 연산을 수행할 수 있는 멀티플렉싱 능력을, (4) 기존에 학습된 기능을 기반으로 새로운 기능을 빠르게 습득하는 전이 학습 효율성을 각각 입증했다. 이러한 결과는 세포 내 신호전달 네트워크, 합성 생물학 회로, 그리고 생물 영감을 받은 하드웨어(예: 뉴로모픽 칩) 설계에 직접적인 적용 가능성을 제공한다. 특히, 정적 입력‑출력 관계를 목표로 하는 설계는 전통적인 동적 리저버 컴퓨팅이나 어트랙터 기반 모델과 차별화되며, 안정된 출력 특성을 요구하는 바이오센서, 신호 변조기 등에 유용하게 활용될 수 있다.