기존 논리 게이트 네트워크(LGN)는 인공지능 분야에서 중요한 계산 모델 중 하나로, 불리언(Boolean) 연산을 통해 복잡한 계산을 수행합니다. 그러나 고전적인 불리언 회로와 달리, 기존 LGN은 층(depth)을 깊게 쌓아도 성능이 향상되지 않거나 오히려 저하되는 한계가 있었습니다. 이는 '최적화 붕괴(optimization collapse)'와 '토폴로지(topology)로 인한 정보 접근 제한'이라는 두 가지 주요 원인 때문으로 분석되었습니다.
한국 연구진(안태건, 김도훈, 이해범, 주창희)은 이러한 문제를 해결하기 위해 '입력 고정 논리 게이트 네트워크(Input-Anchored Logic Gate Networks, IALGN)'를 새롭게 제안했습니다. IALGN의 핵심은 각 논리 게이트가 진화하는 은닉 특징(evolving hidden feature)과 함께 원본 입력(original input)을 직접 참조하는 '입력 고정(input anchor)' 방식을 도입한 것입니다. 이 토폴로지는 계산의 '척추(computational spine)'를 유지하면서도 모든 층이 원본 입력에 계속 접근할 수 있도록 보장합니다. 연구팀은 IALGN이 MNIST, CIFAR-10, CIFAR-100과 같은 데이터셋에서 100개 이상의 층에서도 일관된 깊이-정확도 향상을 달성했음을 실험으로 증명했습니다. 이는 기존 LGN들이 깊이가 깊어질수록 성능이 포화되거나 저하되는 것과 대조적인 결과입니다.
이번 연구 결과는 LGN의 깊이 확장성 문제를 해결함으로써, LGN이 더 복잡한 문제 해결에 활용될 수 있는 길을 열었다는 점에서 큰 의미가 있습니다. 기존 LGN의 한계는 깊은 층으로 갈수록 유용한 정보가 소실되거나 왜곡되어 학습이 어려워지는 것이었는데, IALGN은 입력 고정 방식을 통해 깊은 층에서도 원본 입력에 기반한 유의미한 정보 처리가 가능함을 보여주었습니다. 이는 신경망(neural network)의 깊이 확장 연구와 유사하게, LGN이 실제 인공지능 애플리케이션에서 더 강력한 모델로 발전할 수 있는 중요한 기반을 마련한 것으로 평가됩니다.