뉴로심볼릭 AI(Neurosymbolic AI) 프레임워크인 NeurASP의 훈련 연산 속도를 대폭 높인 연구가 2026년 6월 9일 arXiv에 등재됐다. NeurASP는 신경망이 개념을 예측하고, 그 위에 답집합 프로그래밍(ASP, Answer Set Programming)으로 작성된 규칙을 적용해 하위 과제를 해결하는 구조다. 레이블은 잠재 개념이 아닌 최종 예측 결과에만 제공되며, 미분 불가능한 ASP 구성 요소를 통한 역전파는 확률 계산과 기울기 연산 부담이 커 확장성을 제약했다.
저자들은 현재 NeurASP의 계산 병목을 해소하기 위해 벡터화, 배치 처리, 중간 연산 캐싱을 도입한 새 구현을 제안했다. 논문에 따르면 기존 구현과 비교했을 때 규모가 큰 과제에서 자릿수 단위(multiple orders of magnitude)의 속도 향상이 보고됐다. 이 연구는 또한 카드 놀이를 소재로 한 어려운 추론 과제 데이터셋을 새롭게 제안해 향상된 NeurASP 학습 기능을 평가하는 데 활용했다.
뉴로심볼릭 AI는 신경망의 패턴 인식 능력과 상징적 추론의 설명 가능성을 결합해 강인하고 해석 가능한 예측을 지향하는 연구 분야다. 순수 신경망 기반 모델이 확장성과 성능에서 강점을 보이는 반면, 규칙 기반 추론은 논리 일관성과 투명성 측면에서 이점을 갖는다. NeurASP는 이 두 접근을 통합하는 대표적 프레임워크로, 이번 연구는 그 훈련 비용 문제를 실질적으로 완화함으로써 더 복잡한 과제로의 적용 가능성을 넓혔다는 점에서 의미를 갖는다. 논문의 제1 저자는 Alexander Philipp Rader이며 원문은 arXiv 2606.10787에서 확인할 수 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
