신경망 지속 학습을 위한 마야-CL

인공지능 분야의 오랜 난제인 기존 학습 내용 망각 없이 새로운 작업을 지속적으로 학습하는 문제를 해결하기 위해, Maya-CL은 통증 기반 가소성 및 아드바이타 베단타 철학의 비집착(Vairagya) 개념에서 파생된 생물학적 원리를 활용한 스파이킹 신경망(SNN) 지속 학습 시스템입니다. 이 시스템은 고정 가중치 합성곱 아키텍처를 기반으로 하며, 재생 메모리나 작업 식별 신호 없이 5가지 시각 분류 작업을 순차적으로 학습합니다. Maya-CL은 베단타의 비집착(Vairagya) 개념을 경사 마스킹 메커니즘으로 구현하여, 중요한 시냅스 가중치가 새로운 학습에 의해 덮어쓰여지는 것을 선택적으로 보호합니다. 이는 생물학적 통증 기반 가소성과 비집착 기반 이종 시냅스 붕괴 원리를 모방한 것입니다. Split-CIFAR-10 작업 증분 학습 벤치마크에서 Maya-CL은 평균 정확도 62.38%, 순방향 전이(Forward Transfer) +40.00%를 달성했습니다. 이는 기준 SGD 대비 역방향 전이 격차를 2.30%p 줄이고, 순방향 전이를 2.11%p 향상시킨 결과입니다. 특히, 제거 실험을 통해 표준 SNN 지속 학습 환경에서 이종 시냅스 보호를 정량적으로 분리해냈습니다. 본 연구는 아드바이타 베단타의 안타카라나(Antahkarana)를 스파이킹 신경망의 계산 원시 요소로 구현하는 13편의 논문으로 구성된 Maya 연구 시리즈의 일부입니다. 이 논문에서 Bhaya Quiescence Law (β* ≤ 0.32%) 및 Buddhi S-Curve Determinism (R² = 1.0000)과 같은 시리즈 전반의 경험적 상수들이 확인되었습니다.