기술적 요약: 복원력 있는 다중 에이전트 자율 시스템을 위한 층론적 계획

1. 문제 제기

이 논문은 사건 계산 (Event Calculus) 과 상황 계산 (Situation Calculus) 과 같은 고전적 시간 논리 및 다중 에이전트 시스템 (MAS) 계획 프레임워크에서 근본적인 위기가 발생하고 있음을 지적합니다. 이러한 전통적 시스템은 단일화된 논리 모델과 폐세계 가정에 의존하는데, 여기서 세계 상태는 에이전트의 내부 기억과 완전히 관측 가능하고 일관된 것으로 가정됩니다.

이 접근법은 다음과 같은 특징을 가진 개방형 세계 시나리오에서 실패합니다:

• 관측되지 않은 개입: 에이전트 (예: 로봇) 가 작업을 중단하고 재충전을 위해 떠났다가 돌아와서 제 3 자가 관측되지 않은 상태에서 환경을 변경한 것을 발견할 때, 고전적 논리는 이를 해결 가능한 불일치가 아니라 모순으로 취급합니다.
• 계획 중단: 에이전트가 비활성 상태인 "맹목적인" 간격이 공식적으로 고려되지 않아 기억과 현실 사이의 불일치가 발생합니다.
• 불일치의 확장성: 고전적 시스템에서 신념과 현실 상태의 불일치를 해결하려면 확장되지 않는 "논리 외의 패치"와 복잡한 인덱싱 방식이 필요합니다.

핵심 문제는 에이전트 기억, 목표, 객관적 현실 등 여러 가지 잠재적으로 불일치하는 관점을 단일하고 엄격한 수학적 프레임워크 내에서 연결할 공식적 메커니즘이 부재하다는 점입니다.

2. 방법론: 층론적 계획 (STP)

이 논문은 **토포스 이론 (topos theory)**과 **층 의미론 (sheaf semantics)**에 기반한 **층론적 계획 (Sheaf-Theoretic Planning, STP)**을 제안합니다. 이 접근법은 "공리로서의 논리"에서 "기하학으로서의 논리"로 패러다임을 전환하여, 진리를 절대적이고 전역적인 것이 아니라 국소적이고 문맥적인 것으로 다룹니다.

2.1 범주론적 기초

• 시간의 사이트 (Site): 시간은 선형 시퀀스가 아니라, 대상이 닫힌 구간 $[t_i, t_j]$이고 사상이 포함 관계인 시간 구간의 순서 범주 (poset category)($\mathcal{T}$) 로 모델링됩니다.
• 그로텐디크 위상 (Grothendieck Topology): 이 범주는 "덮개" (부분 구간의 집합) 를 정의하기 위해 그로텐디크 위상 ($J$) 을 갖추고 있습니다. 이는 국소에서 전역으로의 원리를 공식화합니다: 구간의 역사는 그 부분들의 역사에 의해 유일하게 결정됩니다.
• 역사로서의 층: 층 $\mathcal{F}$는 각 구간에 일관된 역사의 집합인 "단면 (sections)"을 할당합니다. 이 프레임워크는 다음과 같은 구별된 층을 정의합니다:
  • $\mathcal{F}_{World}$: 객관적 현실.
  • $\mathcal{F}_{Mem}$: 에이전트의 기억.
  • $\mathcal{F}_{Goal}$: 목표 상태.
    이 층들은 자연 변환 (natural transformations) 으로 연결되어 토포스 $\text{Sh}(\mathcal{T}, J)$ 내에서 동시에 존재합니다.

2.2 행동과 귀납 추론

• 자연 변환으로서의 행동: 행동은 자연 변환 ($\eta_\alpha: \mathcal{F}_{World} \to \mathcal{F}_{World}$) 으로 정의됩니다. 이는 시간적 일관성을 보장합니다: 큰 구간에 대한 행동의 효과는 임의의 부분 구간에 대한 효과와 일관되어야 합니다. 이는 "시작 (initiates)" 및 "종료 (terminates)" 술어를 기하학적 프레임워크로 일반화합니다.
• 풀백을 통한 귀납 추론: 최선의 설명에 대한 추론은 풀백 (pullback) 구성으로 공식화됩니다. 에이전트가 기억 $S_{mem}$과 모순되는 상태 $S_{obs}$를 관측할 때, 풀백은 $S_{mem}$을 $S_{obs}$로 변환하는 행동 시퀀스의 집합을 식별합니다. 이는 관측되지 않은 개입을 추론하는 것과 같은 가설 선택을 위한 엄격하고 휴리스틱이 아닌 기초를 제공합니다.

2.3 다중 에이전트 조정

• 접합 (Gluing): 지식 통합은 **층 접합 (sheaf gluing)**으로 모델링됩니다. 에이전트들은 "지식 층"의 로컬 단면들을 교환합니다. 겹치는 구간에서 관측이 호환되면, 이들은 고유한 전역 단면으로 "접합"됩니다.
• 방해 요소 (Obstructions): 접합이 실패하는 경우 (예: 물체의 색상에 대한 상충되는 지각), 그 실패 자체가 방해 요소가 됩니다. 이는 불일치의 원인을 가설화하기 위해 귀납 추론 과정을 촉발합니다.
• 스펙트럼 분석: 이 프레임워크는 확산 방정식 ($\frac{dx}{dt} = -\alpha L_F x$) 을 통해 합의 역학을 모델링하기 위해 층 라플라시안 (Sheaf Laplacian)($L_F$) 을 활용합니다. 이를 통해 이질적인 에이전트들은 통신 지연이 있더라도 "조화적 표현"에 도달할 수 있습니다. 층 코호몰로지 (Sheaf cohomology)($H^0, H^1, \dots$) 는 전역 일관성에 대한 방해 요소를 정량화하는 데 사용됩니다.

3. 구현 및 결과

이 논문은 STP 가 단순히 이론적인 것이 아니라 제한된 하드웨어에서 구현되고 테스트되었음을 주장합니다.

• 하드웨어 스택: 시스템은 센서/구동기 제어를 위한 ESP32 마이크로컨트롤러와 짝을 이루는 Raspberry Pi 4B(추론 엔진) 에서 실행되며, Wi-Fi 메시를 통해 통신합니다.
• 소프트웨어 스택:
  • Prolog: 기호 추론에 사용되며, 중복 계산을 방지하기 위해 "테이블링 (memoization)"을 적용한 단순화된 사건 계산이 구현되었습니다.
  • 논리 번역: TCP 소켓은 고수준 층 논리와 물리적 로봇 명령을 연결합니다.
• 성능 지표:
  • 이 시스템은 최대 1,000 개의 시간 점과 **50 개의 유언트 (fluents)**가 포함된 시나리오에서 2 초 미만에 유효한 계획을 찾습니다.
  • 귀납 추론은 행동 시퀀스 길이를 $\le 10$으로 제한함으로써 저전력 하드웨어에서도 처리 가능합니다.
• 공식 검증: 이 프레임워크는 Lean 4와 Coq에서 공식화되고 있습니다. "HeytingLean" 프레임워크는 구성적 수학과 암호 프로토콜을 연결하여 에이전트가 일관성의 공식 인증서와 함께 계획을 교환하는 "증명 전달 코드 (proof-carrying code)"를 가능하게 합니다.

4. 주요 기여

1. 프레임 문제의 기하학적 해결: 진리가 국소적인 기하학적 프레임워크로 폐세계 가정을 대체합니다. 기억과 현실 간의 불일치는 논리적 실패가 아닌 "기하학적 거리"로 취급됩니다.
2. 통합된 계획 및 진단: 전향적 계획 (상태 전이) 과 후향적 진단 (귀납 추론) 을 단일 수학적 엔진 (자연 변환 및 풀백) 으로 통합하여 별도의 휴리스틱 모듈이 필요 없게 합니다.
3. 분산형 합의: 마스터 노드 없이 로컬 "접합"을 통해 다중 에이전트 시스템이 전역적 일관성을 달성할 수 있는 메커니즘을 제공합니다. 합의에는 층 라플라시안을, 오류 감지에는 코호몰로지를 사용합니다.
4. 구성적 논리주의: 토포스의 내부 언어 (직관주의 논리) 를 활용하여 불확실성을 구조적으로 처리하며, 배중률을 가정하지 않고도 에이전트가 불완전한 정보에 대해 추론할 수 있게 합니다.

5. 중요성 및 주장

이 논문은 층론적 계획이 개방적이고 예측 불가능한 물리적 세계에서 번성할 수 있는 자율 시스템을 구축하기 위한 필요한 진화라고 주장합니다.

• 복원력: 이 프레임워크는 에이전트가 추락하거나 전역 재초기화가 필요한 것이 아니라, 귀납 추론과 접합을 통해 불일치를 로컬로 수정함으로써 바람직하지 않은 상태 (예: 중단된 계획, 관측되지 않은 변경) 에서 회복할 수 있는 "인지적 복원력"을 제공합니다.
• 실용성: 표준 Prolog 를 사용하여 Raspberry Pi 하드웨어에서 구현을 시연함으로써, 저자들은 범주론적 AI 가 단순한 이론적 추상이 아닌 실제 현실이라고 주장합니다.
• 미래 방향: 이 논문은 STP 를 고신뢰 다중 에이전트 시스템의 기반으로 위치시키며, 향후 작업은 분산 최적화를 위한 스펙트럼 층 이론 통합과 안전-중요 신뢰성을 보장하기 위한 Lean 4 를 통한 공식 검증 확장에 초점을 맞출 것입니다.

저자들은 단일화된 기호 이론에서 층론적 기하학으로의 전환이 실제 세계의 확률적 및 적대적 특성을 탐색할 수 있는 에이전트를 공학적으로 설계하는 데 필수적이라고 결론지었습니다.