차세대 AI PaTH 어텐션, LLM 논리 추론 능력 혁신
- •긴 소설이나 금융 보고서 분석 시 문맥의 흐름을 놓치지 않고 완벽하게 추적한다.
- •복잡한 코딩 작업에서 변수의 상태 변화를 실시간으로 파악해 인간 수준의 논리를 구현한다.
- •선택적 망각 메커니즘과 하드웨어 최적화를 통해 연산 효율성과 정보의 정확도를 대폭 높였다.
대규모 언어 모델(LLM)은 방대한 데이터를 처리하는 과정에서 소설 속 인물 관계의 변화를 잊거나 복잡한 코드 내 변수의 상태를 제대로 추적하지 못하는 고질적인 한계에 직면해 왔다. 기존 모델들은 데이터 시퀀스가 길어질수록 논리적 일관성을 유지하는 '상태 추적' 능력에서 이론적 제약을 보였으며, 이는 신뢰할 수 있는 결과물을 생성하는 데 큰 장애물이 되었다. 이에 따라 미국 매사추세츠 공과대학교(MIT)와 MIT-IBM 왓슨 AI 연구소 소속 연구진은 데이터 콘텐츠에 따라 동적으로 적응하는 새로운 위치 인코딩 기술인 'PaTH 어텐션'을 전격 공개했다. 이 혁신적인 기술은 정보의 우선순위를 결정하는 기존 어텐션 메커니즘의 효율성을 극대화하여 긴 문맥에서도 탁월한 지능적 처리를 가능하게 만든다.
PaTH 어텐션은 단어 순서를 고정된 수학적 회전각으로 변환하는 기존의 '회전 위치 인코딩(RoPE)' 방식과 차별화된다. 연구팀은 '하우스홀더 변환'이라는 기법을 도입하여 정보의 상태를 거울처럼 반사하고 실시간으로 조정하는 방식을 채택했다. 이를 통해 인공지능은 단순한 텍스트의 물리적 위치 파악을 넘어, 서사와 논리 흐름 속에서 정보가 어떻게 진화하는지 기억하는 '위치적 기억력'을 갖추게 되었다. 특히 하드웨어 가속에 최적화된 알고리즘을 함께 개발하여 수만 개 이상의 토큰이 포함된 대규모 데이터셋을 처리할 때도 연산 속도의 저하 없이 높은 정확도를 유지할 수 있도록 설계했다는 점이 핵심적이다.
실제로 수행된 각종 실험과 벤치마크 테스트 결과에 따르면, PaTH 어텐션은 복합적인 논리 추론과 정밀한 정보 검색 작업에서 기존의 방법론을 압도하는 탁월한 성능을 입증했다. 한편 연구팀은 이 기술의 응용 범위가 단순한 텍스트 처리를 넘어 고도로 구조화된 분석이 필요한 첨단 과학 분야로 넓게 확장될 것으로 전망하고 있다. 또한 단백질 접힘 현상 분석이나 DNA 염기서열 분석 연구처럼 정교한 상태 변화 추적이 필수적인 영역에서 이 기술이 혁신적인 변화를 일으킬 것으로 기대된다. 결과적으로 이번 연구 성과는 인공지능이 인간과 유사한 수준의 깊이 있는 논리적 사고를 수행하고 맥락을 완벽하게 파악하도록 돕는 중요한 이정표가 될 것으로 평가받는다.