능동 추론
IT 위키
능동 추론(Active Inference)은 자유 에너지 원리(Free Energy Principle)를 행동까지 확장한 이론적 틀로, 지각(perception) 뿐만 아니라 행위(action)도 내부 모델과 예측 오차 최소화 관점에서 설명한다 [1]
개념 및 기본 원리[편집 | 원본 편집]
Active Inference의 핵심은 다음과 같다:
- 시스템은 감각 입력을 예측하고 예측 오차를 줄이는 것뿐만 아니라, 예측이 실현되도록 행동을 선택한다.
- 내부의 생성 모델(generative model)을 바탕으로 가능한 행동(policy)을 예측하고, 미래 감각 상태를 기대하면서 행동을 결정한다 [2]
- 자유 에너지 변분 최소화는 인식적(state) 최적화와 행동적(action) 최적화를 동시에 포함한다 [3]
수학적/이론적 특징[편집 | 원본 편집]
- 예상 자유 에너지(expected free energy)를 최소화하는 정책(policy selection)이 중심적 역할을 한다
- 내부 상태 및 정책은 자유 에너지를 기준으로 갱신되며, 이 과정은 베이지안 추론 구조와 연결된다 [4]
- 신경 동역학 수준에서, 예측 오차 기울기를 따라 가는 신경 변화 모델이 제안되며, 이는 정보 기하학(information geometry) 관점과 연결된다 [5]
응용 및 예시[편집 | 원본 편집]
- 운동 제어 및 움직임 모델링에 Active Inference를 적용한 연구가 있다 [6]
- 강화학습 관점과 Active Inference의 접목을 시도한 “Deep Active Inference” 연구도 존재한다 [7]
- 로봇 내비게이션과 같은 실제 환경에서의 적용 가능성도 탐구되고 있다 [8]
장점과 한계[편집 | 원본 편집]
장점[편집 | 원본 편집]
- 지각과 행위를 통합적으로 설명하는 일관된 틀 제공
- 내부 모델과 예측 기반 구조가 뇌의 인지-행동 연결을 모사할 수 있음
- 확률 기반 해석 및 베이지안 구조를 포함해 불확실성 처리 가능
한계 및 도전[편집 | 원본 편집]
- 정책 탐색 및 계획 문제에서 계산 복잡성이 매우 높을 수 있음
- 행동과 환경 상호작용을 동적으로 모델링하는 정확한 생성 모델의 설계가 어렵다
- 생물학적/신경 수준의 명확한 대응(예: 시냅스 구현 방식 등)이 아직 불완전하다
같이 보기[편집 | 원본 편집]
참고 문헌[편집 | 원본 편집]
각주[편집 | 원본 편집]
- ↑ Active Inference: The Free Energy Principle in Mind, Brain, and Behavior, MIT Press
- ↑ Understanding, Explanation, and Active Inference, Frontiers
- ↑ Active inference, morphogenesis, and computational psychiatry, Frontiers
- ↑ Tutorial on Active Inference, Elsevier
- ↑ Neural dynamics under active inference, arXiv
- ↑ The computational neurology of movement under active inference, PubMed
- ↑ Deep Active Inference as Variational Policy Gradients, arXiv
- ↑ Deep Active Inference for Autonomous Robot Navigation, arXiv
