고전 게임 둠(DOOM)의 맵 안에서 인공지능(AI) 신경망, 특히 트랜스포머(Transformer) 모델을 실행하는 기발한 프로젝트 '둠포머(doomformer)'가 등장했습니다. 이 프로젝트는 신경망의 각 구성 요소를 둠 맵의 물리적 요소로 변환하여, 부두 인형이 값을 나타내고 바닥의 선이 가중치 역할을 하며, 조명 밝기나 바닥 높이가 계산의 합을 저장하는 방식으로 작동합니다. 단순히 개념 증명을 넘어, MNIST 숫자 분류 테스트에서 97.16%의 정확도를 달성하며 실제 연산 가능성을 입증했습니다.
둠포머는 신경망을 둠 맵으로 컴파일하는 독특한 방식을 사용합니다. 예를 들어, 값 '5'는 부두 인형 5개로 표현되고, 인형이 바닥의 선을 지날 때마다 해당 선에 부여된 가중치가 더해집니다. 계산된 합은 구역의 조명 밝기나 바닥 높이로 저장되며, ReLU 활성화 함수는 인형이 올라가야 하는 계단형 게이트로 구현됩니다. 어텐션(attention) 메커니즘은 다른 값에 의해 낮아진 천장 아래로 인형이 통과하는 방식으로 계산됩니다. 이 시스템은 NumPy 정수 참조 모델과 허용 오차 0으로 계산 결과를 대조하여, 10,000개의 MNIST 테스트 숫자 모두에서 정수 모델과 정확히 일치하는 결과를 보였습니다. 또한, 신경망 손상 실험은 문을 닫는 방식으로 구현되어, 연결 하나를 바꾸면 인식 결과가 달라지는 과정을 시각적으로 확인할 수 있습니다.
이 프로젝트의 진정한 의미는 단순히 게임 엔진 안에서 계산을 수행하는 것을 넘어, 신경망 컴파일러와 값별 정확 일치 검증이라는 차별점에 있습니다. 둠포머는 숫자 인식뿐 아니라 트랜스포머의 이름 생성, 게임 캐릭터 제어, 맵 내부 학습 등 다양한 실험 가능성을 제시합니다. 비록 작은 MLP(다층 퍼셉트론) 모델조차 NumPy보다 약 23,000배 느리지만, 이는 둠 엔진의 제약을 우회하며 복잡한 신경망 구조를 물리적 환경으로 매핑하는 혁신적인 접근 방식을 보여줍니다. 이러한 시도는 AI 모델의 작동 방식을 시각적으로 이해하고, 비전통적인 컴퓨팅 환경에서의 가능성을 탐구하는 데 중요한 영감을 제공할 수 있습니다.