감성 스파이킹 신경망의 증분 학습

본 연구는 스파이킹 신경망(SNN)에서 클래스 증분 학습(Class-Incremental Learning)의 고질적인 문제인 파국적 망각(Catastrophic Forgetting)을 해결하기 위한 새로운 접근 방식인 Maya-Manas를 제안한다. 이 모델은 산스크리트어의 '마나스(Manas)' 개념에서 영감을 받아, 자극을 심층 처리하기 전에 걸러내는 감각 수용 및 진동하는 마음의 기능을 모방한다. Maya-Manas는 시상-피질의 주의 게이팅 메커니즘을 도입하며, 이는 누설성 통합-점화(leaky integrate-and-fire) 레이어에 반주기 코사인 임계값 스케줄로 구현된다. 이 메커니즘은 전방 전달(forward pass) 과정에서 최대 억제에서 완전한 수용성으로 주기적으로 전환되며, 이는 시상 중계 뉴런이 중요한 입력에 대해 피질 기둥을 선택적으로 개방하는 생물학적 리듬을 재현한다. Split-CIFAR-100 데이터셋에 대한 5가지 조건의 제거 연구(ablation study) 결과, 이 진동 메커니즘은 지속적인 학습 유지율을 현저히 향상시키는 것으로 나타났다. 특히, 파국적 망각이 0.32% 이하로 나타나는 '바야 정지 법칙(Bhaya Quiescence Law)'과 R² 값이 1.0000인 '붓디 S-곡선 결정론(Buddhi S-Curve Determinism)'이 확인되었다. 이 연구는 Advaita Vedantic Antahkarana를 스파이킹 신경망의 계산 원시 요소로 구현하는 Maya Core 시리즈의 일곱 번째 논문으로, 진동 임계값 설정과 감성 현저성 증폭을 결합한 생물학적 기반의 게이팅 메커니즘을 통해 시리즈 아키텍처를 확장한다. 이는 인공지능 시스템의 지속적인 학습 능력과 효율성을 높이는 데 기여할 것으로 기대된다.