관계형 데이터베이스 위에서 쿼리와 신경망(neural network) 계산을 단일한 선언적 언어로 통합하는 뉴로-관계형 프로그램(NRP, Neuro-Relational Programs) 프레임워크가 제안됐다. 기존의 관계형 데이터베이스에 대한 딥러닝 접근법은 데이터베이스를 그래프로 변환한 뒤 그래프 신경망(GNN)을 적용하는 방식이 주를 이뤘다. 최근에는 튜플에 임베딩을 연결하고 임베딩과 관계형 내용을 함께 처리하도록 쿼리 메커니즘을 확장하는 방향도 등장했다.
NRP는 수치 벡터 임베딩을 갖는 사실들로 구성된 관계형 데이터베이스를 위한 선언적 쿼리 언어다. 데이터로그(Datalog) 방식의 규칙을 임베딩의 결합·집계·변환 연산으로 확장해, 관계형 추론과 학습 가능한 신경망 구성 요소를 단일 형식 체계 안에 엮는다. 이 구조는 NRP를 훈련 가능한 구성 요소를 포함한 쿼리 계획이자, 관계형 구조가 내재된 신경망 아키텍처로 동시에 해석할 수 있게 한다.
연구팀은 NRP의 자연스러운 구문적 부분 집합들이 기존 아키텍처와 쿼리 형식주의를 포괄한다고 밝혔다. 0항 NRP는 비적응적 쿼리 알고리즘에 대응하고, 단항 NRP는 GNN 방식의 메시지 패싱을 일반화하며 딥 호모모피즘 네트워크를 정확히 포획한다. ReLU 기반 변환을 갖춘 제한 없는 NRP의 표현력은 실수 가중 구조에서 해석되는 계수 포함 일계 논리(FOCQ)로 특성화되며, 순서 있는 데이터베이스 위에서 균일한 TC0와의 정확한 연결 관계도 확인됐다.
관계형 데이터 위에서 신경망 계산을 수행하는 것은 기업 데이터베이스 분석, 지식 그래프 추론, 분자 구조 학습 등 다양한 응용 영역에서 중요하다. 기존에는 이를 위해 데이터베이스를 별도의 그래프 구조로 변환하는 전처리 과정이 필요했으나, NRP는 관계형 데이터를 그대로 활용하면서 신경망 계산을 선언적으로 기술할 수 있는 통합 프레임워크를 제공한다. 이 연구는 딥러닝과 데이터베이스 이론을 통합하는 기초 연구로서 향후 새로운 아키텍처 설계에 이론적 기반을 제공할 것으로 기대된다.
