초고차원 연관 기억을 위한 초복소수 재귀 상관 신경망

본 논문은 Chiueh와 Goodman이 제안한 바이폴라 재귀 상관 신경망(RCNN)의 저장 용량 향상 특성을 초복소수(복소수, 하이퍼볼릭 수, 쿼터니언, 테사린, 옥토니언 등) 데이터에 적용하기 위해 이론적 기반을 확장한다. 먼저 초복소수 체계 H를 정의하고, 역전치(reverse‑involution) τ와 대칭 이중형식 B(p,q)=Re{τ(p)q}를 도입한다. τ는 전치와 반동형성을 동시에 만족하는 연산자로, 복소수·쿼터니언·클리포드 대수 등에서 자연스럽게 존재한다. B는 실수부 연관성을 측정하는 내적 역할을 하며, B‑함수 φ는 입력 q에 대해 B(φ(q),q) > B(s,q) (s≠φ(q)) 를 만족하는 최적 매핑으로 정의된다. 다음으로 실수부 결합법칙 Re{(pq)r – p(qr)}=0 을 만족하는 Real‑Part Associative Hypercomplex Number System (Re‑AHN)을 소개한다. 이 조건은 비가환·비결합 대수에서도 성립하며, 네트워크의 에너지 함수 E(x)=−½∑_{i,j}B(w_{ij}x_j, x_i) 가 시간에 따라 감소함을 보장한다. 핵심 모델인 Hypercomplex‑valued RCNN (HRCNN)은 두 단계로 구성된다. (1) 각 저장 패턴 u^ξ (ξ=1…K)의 가중치 w_ξ(t)=f(∑_i B(u_i^ξ, x_i(t))) 를 실수‑값 비감소 함수 f에 의해 업데이트한다. f는 항등, 고차(f_h(x)=(1+x)^q, q>1), 포텐셜(f_p(x)=1/(1−x)^L, L≥1), 지수(f_e(x)=βe^{αx}) 등 네 가지 형태를 취할 수 있다. (2) 활성화 전위 h_i(t)=∑_ξ w_ξ(t) u_i^ξ 를 계산하고, 출력은 x_i(t+Δt)=φ(h_i(t)) 로 정의한다. 여기서 φ는 앞서 정의한 B‑함수이며, φ는 비감소·연속·최적성을 보장한다. 정리 1은 φ가 B‑함수이고 f가 연속·비감소이면, 동기식이든 비동기식이든 초기 상태와 무관하게 {x(t)}가 수렴함을 증명한다. 증명은 B‑함수의 최적성, f의 단조성, 그리고 B‑형식의 양의 반정밀성을 이용해 에너지 감소를 보이는 전통적인 Lyapunov 접근법을 초복소수 환경에 그대로 적용한다. 실험에서는 32×32 회색조 이미지(8‑bit)를 초복소수 벡터로 변환하고, K=100개의 패턴을 저장한다. 잡음이 섞인 입력을 네트워크에 주입했을 때, HRCNN은 원본 이미지를 정확히 복원했으며, 특히 고차·지수형 f를 사용할 경우 수렴 속도가 크게 향상되는 것을 확인했다. 이는 기존 바이폴라 RCNN이 갖는 저장 용량 한계를 초복소수 확장으로 극복하고, 다중 채널(색상, 위상 등) 정보를 동시에 보존할 수 있음을 시사한다. 결론적으로, 논문은 초복소수 대수 구조와 B‑함수 개념을 활용해 RCNN의 안정성을 일반화하고, 다양한 하이퍼컴플렉스 체계에 적용 가능한 통합 이론을 제공한다. 이는 고용량 연관 기억, 다중 모달 데이터 저장, 그리고 비선형 신호 처리 등 광범위한 응용 분야에 새로운 설계 원칙을 제시한다.