기술 요약: 형태적 인지: 형태적 계산만을 통한 MNIST 숫자 분류

문제 정의

본 논문은 인공지능의 근본적인 편향, 즉 고차원적 인지 작업(예: 이미지 분류)과 같은 지적 행동에는 복잡한 신경 회로 또는 추상적 제어 계층("뇌")이 필요하다는 가정을 다룹니다. 현대 AI는 딥러닝에 크게 의존하고 있지만, 저자들은 자연이 비신경적 메커니즘을 통해 지적 행동을 수행한다고 주장합니다. 연구된 핵심 문제는 단순하고 고정되며 자율적인 행동을 가진 구성 요소들로 이루어진 시뮬레이션된 물리적 신체가 신경 제어기 없이도 인지 작업(구체적으로는 이미지 분류)을 수행할 수 있는지 여부입니다. 저자들은 "형태적 인지(morphological cognition)"를 정의하며, 이를 형태적 프로세스만으로 인지적 행동을 수행할 수 있는 능력으로 규정하고 이를 입증하고자 합니다.

방법론

시뮬레이션 환경

실험은 로봇을 스프링-질량 시스템으로 모델링하는 2D 복셀 기반 소프트 바디 시뮬레이터인 Evogym에서 수행됩니다.

• 복셀 유형: 시스템은 네 가지 기본 복셀 유형을 사용하며, 본 연구를 위해 확장되었습니다:
  • 수동 복셀 (Passive Voxels): 독립적으로 작동하지 않지만 구조적 지지를 제공하는 강성(검은색) 및 연성(회색) 복셀.
  • 근육 복셀 (Muscle Voxels): 이동 에너지를 제공하기 위해 사인파 신호를 따라 지속적으로 팽창 및 수축하는 활성 복셀(주황색 및 청록색).
  • 센서 복셀 (Sensor Voxels): 특정 픽셀의 강도에 비례하여 면적이 변하는 활성 복셀(빨간색 및 녹색). 빨간색 복셀은 강도가 높을수록 수축하고, 녹색 복셀은 팽창합니다.
• 입력: MNIST 숫자 이미지는 최대 로봇 크기(14x14 복셀)에 맞추기 위해 14x14 픽셀로 다운스케일링됩니다. 센서 복셀과 이미지 픽셀 사이에는 일대일 대응 관계가 설정됩니다.

진화 알고리즘

저자들은 다양성 있는 로봇 형태를 진화시키기 위해 MAP-Elites 알고리즘을 채택했습니다.

• 유전자형 (Genotype): 로봇은 **구성 패턴 생성 네트워크 (CPPN)**를 사용하여 인코딩됩니다. CPPN은 복셀 좌표와 중심으로부터의 거리를 입력값으로 받아 각 그리드 위치의 복셀 유형(또는 부재 여부)을 출력합니다.
• 다양성 지표: 아카이브는 활성 복셀 수, 센서 복셀 수, 총 복셀 수(각각 7개의 빈으로 이산화됨)를 기준으로 다양성을 유지합니다.
• 선택 및 적합도:
  • 로봇은 제시된 숫자 클래스에 따라 반대 방향으로 움직이는 능력을 바탕으로 평가됩니다 (예: '0'일 때는 왼쪽으로 이동, '1'일 때는 오른쪽으로 이동).
  • 적합도는 로봇 질량 중심의 수평 변위로 결정됩니다.
  • 다중 숫자 작업(4개 숫자)의 경우, 로봇은 숫자를 두 그룹으로 클러스터링하도록 진화하며, 한 그룹에 대해서는 한 방향으로, 다른 그룹에 대해서는 반대 방향으로 움직입니다.
  • 진화 과정은 세대당 20개의 자손을 생성하며 총 30,000세대 동안 실행됩니다.

실험 설정

• 작업 1 (이진 분류): '0' 대 '1' 분류.
• 작업 2 (4-클래스 분류): '0', '1', '2', '3'의 조합을 두 개의 행동 클러스터로 분류.
• 일반화 (Generalization): 로봇은 각 클래스의 단일 대표 이미지를 사용하여 진화됩니다 (단일 샷 학습과 유사). 그 후, 일반화 성능을 측정하기 위해 홀드아웃(held-out) 이미지 1,000개로 테스트됩니다.

주요 기여

1. 형태적 인지의 증명: 본 연구는 추상적 제어 계층이나 신경 회로가 없는 인공 에이전트가 고차원적 인지 기능(이미지 분류)을 수행할 수 있음을 보여주는 첫 번째 사례를 제시합니다. 분류 행동은 고정된 단순 복셀 행동들의 물리적 상호작용으로부터 전적으로 창발됩니다.
2. 연산 도구로서의 활성 재료: 본 연구는 "활성 재료"(센싱 및 구동과 같은 자율적 행동을 가진 복셀)로 구성된 신체가 단순히 제어기를 위한 수동적 효과기에 머무는 것이 아니라, 지능의 주요 원천 역할을 할 수 있다는 가설을 검증합니다.
3. 취약한 공적응(Co-adaptation) 극복: 신체에 자율적 기능을 부여함으로써, 특정 형태에 최적화된 제어기가 전이되지 못하는 "취약한 공적응" 문제를 해결합니다. 여기서는 형태 자체가 계산을 수행하므로 특화된 제어기의 필요성을 줄입니다.

결과

창발적 행동

진화는 숫자를 분류하여 특정 방향으로 움직이는 로봇 형태를 성공적으로 발견했습니다.

• 메커니ism: 로봇은 (픽셀 강도에 의한) 센서 복셀의 변형을 이용하여 근육 복셀의 구동을 기계적으로 변화시킵니다. 이는 창발적인 보행(gaits)을 만들어냅니다. 예를 들어, 로봇은 '0'을 감지할 때 자신을 왼쪽으로 끌어당기는 특정 부속 기관을 사용하거나, '1'을 감지할 때 오른쪽으로 밀어내는 방식을 사용할 수 있습니다.
• 주의(Attention)의 시각화: 로봇의 형태는 그들의 "주의"를 직접적으로 드러냅니다. 어떤 로봇은 이미지의 수평 띠 영역만을 감지하도록 진화했으며, 다른 로안은 단 6개의 센서 복셀만을 활용하여 이동 방향을 성공적으로 변경했습니다.

일반화 성능

• Zero-One 분류: '0'과 '1'의 단일 예시로 진화된 10개의 무작위 선택 로봇은 1,000개의 홀드아웃 이미지에 대해 평균 **76.57%**의 테스트 정확도를 달-성했습니다. 10개 중 7개의 로봇이 80% 이상의 정확도를 넘었습니다.
• 4-숫자 분류: 로봇은 다양한 클러스터링 작업(예: '3'과 '0,1,2'를 구별)을 수행하도록 진화되었습니다. 성능은 작업 난이도에 따라 약 57%에서 72% 사이로 나타났습니다.

신경망과의 비교

"형태적 인지 능력"을 정량화하기 위해, 저자들은 동일한 단일 예시 데이터셋에 대해 훈련된 신경망과 로봇의 일반화 성능을 비교했습니다.

• MLP 등가성: 로봇의 평균 성능(76.57%)은 16.8개의 은닉 뉴런을 가진 단일 계층 다층 퍼셉트론(MLP)과 거의 유사했습니다.
• 특정 작업에서의 우월성: 7개의 4-숫자 분류 작업 중 3개에서, 테스트된 어떤 신경망(MLP 및 CNN 모두)도 진화된 로봇의 일반화 성능을 따라잡지 못했습니다. 이러한 경우, 단순하고 제어기가 없는 형태적 시스템이 단일 예시로 훈련된 표준 신경망 구조보다 더 뛰어난 성능을 보였습니다.

의의 및 주장

본 논문은 고차원적 정신 기능(예: 이미지 분류)이 뇌 없이도 단순한 형태적 프로세스로부터 창발할 수 있다는 "개념 증명(proof-of-concept)"을 제공한다고 주장합니다.

• 이론적 함의: 이는 AI의 데카르트적 이원론적 편향에 도전하며, 지능이 내부의 신경 처리뿐만 아니라 활성 재료와 환경 사이의 상호작용으로부터 발생할 수 있음을 시사합니다.
• 실무적 함의: 본 연구는 (계산 능력을 갖춘 활성 재료와 같은) 내재적 계산 능력을 가진 신체를 설계하는 것이 뇌-신체 공최적화(brain-body co-optimization)의 과제를 완화하고 더 견고한 에이전트를 만드는 데 도움이 될 수 있음을 시사합니다.
• 겸허한 태도: 저자들은 본 연구가 형태적 인지를 고립된 상태에서 입증했다는 점을 인정하며, 자연의 지능은 뇌, 신체, 환경 간의 상호작용의 결과일 가능성이 높다고 밝힙니다. 이들은 완전한 생물학적 지능을 재현했다고 주장하는 것이 아니라, 형태적 계산만으로 구현된 특정 고차원적 인지 능력을 보여주고자 하는 것입니다.