고차원 분산 표현을 활용해 기호 정보를 인코딩하는 벡터 기호 대수(VSA, Vector Symbolic Algebras)는 뉴로심볼릭(neurosymbolic) 추론 분야에서 강인한 성능을 보여왔다. 연속 도메인에서는 공간 의미 포인터(SSP, Spatial Semantic Pointers)가 변수를 연속 토러스 다양체(toroidal manifold)에 매핑하는 방식으로 이 프레임워크를 확장한다. 그러나 arXiv에 공개된 논문 “Geodesic Flow Matching for Denoising High-Dimensional Structured Representations”(2606.00248)는 기존 플로우 매칭(Flow Matching) 방법들이 평탄한 유클리드 기하를 가정한다는 점에서 SSP에 적용할 수 없다고 지적한다. 유클리드 선형 보간은 다양체의 내부를 ‘관통’해 SSP 상태에 필수적인 위상과 크기 구조를 파괴하기 때문이다.
연구진은 이 문제를 해결하기 위해 측지 플로우 매칭(Geodesic Flow Matching)을 도입했다. 리만 기하의 이동 역학을 노이즈 제거 플로우에 적용해, 흐름이 SSP 토러스 다양체를 벗어나지 않도록 엄격히 제한하는 방식이다. 검증에는 스파이킹 신경 SLAM(Spiking Neural SLAM) 시스템이 활용됐다. 다양체를 인식하는 정제(cleanup) 과정이 경로 통합(path integration)의 드리프트를 안정화한다는 가설을 실험적으로 확인한 결과, 제안 방법은 추적 오차를 72% 감소시키고 신경 효율을 경쟁 기준선 대비 40% 향상시키는 성과를 거뒀다.
이 연구는 머신러닝에서 흔히 간과되는 기하학적 제약의 중요성을 부각시킨다. 데이터가 본질적으로 비유클리드 구조를 가질 때, 표준적인 플로우 기반 방법을 그대로 적용하는 것은 모델의 근본 가정을 위반하는 셈이다. 특히 연속 공간 내 위치나 방향을 기호적으로 표현해야 하는 자율주행 지도 작성, 로봇 내비게이션, 인지 과학 기반 AI 시스템 등 다양한 응용 영역에서 이 접근법이 갖는 잠재적 가치가 크다. 코드는 공개 저장소를 통해 이용 가능하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
