Efficient Neural Learning and Formal Verification for Spiking/Neuro-inspired Systems
연구 내용
강화학습에서 다중 에이전트 확장성과 비순열성 문제를 완화하는 학습 구조를 설계하고, 스파이킹 신경망의 정형 검증을 위한 계산 모델과 알고리즘을 개발하는 연구
강화학습 기반 의사결정에서 비정상성과 에이전트 수 증가에 따른 상태공간 문제를 완화하는 학습 구조를 연구합니다. Tron 게임과 같은 동시 이동 환경에서는 게임을 단계적으로 분해해 학습 난이도를 낮추는 모듈형 접근을 적용합니다. 다중 에이전트 협력 학습에서는 에이전트 순열에 따른 표현 문제와 스케일링 부담을 줄이기 위해 permutation-free 네트워크와 효율적인 mixing 구조를 설계하고, 커리큘럼 학습으로 학습 효율을 보강합니다. 병행하여 스파이킹 신경망의 계산 모델을 기반으로 정형 검증을 위한 알고리즘을 개발해 신경형 시스템의 동작을 분석 가능하게 만드는 방향을 추진합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기에는 강화학습의 비정상성을 다루기 위해 게임을 단계별로 분해하는 모듈형 학습 전략을 검토했습니다. 이후에는 에이전트 수와 유형이 변하는 환경에서 일반화와 샘플 효율이 저하되는 문제를 다루기 위해 permutation-free 네트워크 구조와 스케일링 친화적인 mixing을 중심으로 연구를 확장했습니다. 한편 2024년부터는 스파이킹 신경망을 대상으로 계산 모델과 알고리즘을 정형 검증 관점에서 구축하는 프로젝트를 수행하며, 신경망 기반 학습 연구를 신뢰성 분석으로 연결하는 흐름을 형성하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Modular Reinforcement Learning for Playing the Game of Tron
Scalable Multi-Agent Reinforcement Learning With Permutation-Free Networks
관련 프로젝트
구분
제목
차세대 신경망의 효율적 정형 검증을 위한 계산 모델 및 알고리즘 연구