feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]
This commit is contained in:
@@ -1,33 +1,78 @@
|
||||
---
|
||||
id: PREI-AUTO-S-SSM-001
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, [[Selective-SSM|Selective-SSM]], S6-algorithm, information-filtering, context-integration, [[Mamba|Mamba]]-core]
|
||||
last_reinforced: 2026-05-05
|
||||
id: wiki-2026-0508-selective-ssm
|
||||
title: Selective SSM
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Selective-SSM|선택적 상태 공간 모델 (Selective SSM)]]
|
||||
---
|
||||
redirect_to: "[[생성형_AI_및_LLM_엔지니어링_표준]]"
|
||||
canonical_id: "wiki-2026-0507-106"
|
||||
---
|
||||
|
||||
# Redirect
|
||||
|
||||
이 문서는 Canonical 문서인 통합되었습니다.
|
||||
모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 흐름에 따라 게이트를 열고 닫아 무엇을 기억하고 무엇을 잊을지 스스로 결정하는, SSM 세계관의 인지적 자의식."
|
||||
|
||||
> Selective SSM(Mamba)은 입력에 따라 SSM 파라미터(B, C, Δ)를 동적으로 변화시켜, 기존 시간 불변 SSM의 한계를 극복하고 Transformer에 근접한 표현력을 확보한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
선택적 SSM(Selective SSM, 일명 S6)은 기존 SSM의 경직된 매개변수 구조를 깨고, 입력값에 따라 상태 전이가 변하도록 설계된 동적 아키텍처입니다.
|
||||
|
||||
1. **입력 의존적 매개변수화**:
|
||||
* 기존 SSM은 입력과 상관없이 고정된 A, B, C 행렬을 가졌으나, 선택적 SSM은 매개변수 $B, C, \Delta$를 현재 입력 $x_t$의 함수로 정의.
|
||||
* 이를 통해 모델은 문맥상 중요한 토큰은 강하게 기억하고, 무의미한 노이즈는 흘려버리는 '선택적 기억'이 가능해짐.
|
||||
2. **선택적 스캔(Selective Scan)의 도입**:
|
||||
* 매개변수가 시점마다 변함에 따라 효율적인 합성곱 연산(Convolution)이 불가능해진 문제를 해결하기 위해 도입.
|
||||
* 수학적 결합 법칙을 활용하여 입력을 작은 청크로 나누어 GPU 상에서 병렬로 처리하는 **하드웨어 인식 병렬 스캔** 기술을 적용.
|
||||
3. **동적 맥락 압축**:
|
||||
* 고정된 상태 크기 내에서도 현재 쿼리에 가장 중요한 정보를 우선적으로 압축하여 담음으로써, 긴 문맥 이해 성능을 비약적으로 향상.
|
||||
**추출된 패턴:** "선택적 입력 의존성"이 콘텐츠 기반 reasoning을 가능케 함 — Linear RNN의 효율과 어텐션의 표현력을 절충하려는 시도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **훈련 병렬성 vs 선택적 지능 (RL Update)**: 합성곱의 병렬성을 포기하는 대신 선택적 지능을 얻었으나, 이로 인해 기존의 고속 학습 프레임워크와의 호환성 문제가 발생함. 이는 Mamba의 하드웨어 최적화 로직을 통해 '병렬 스캔'으로 극복됨.
|
||||
- **고정 상태의 한계**: 선택적 필터링을 하더라도 상태 벡터의 크기가 고정되어 있다는 물리적 한계는 여전함. 따라서 매우 정교한 세부 정보 인출이 필요한 작업에서는 트랜스포머와의 하이브리드 설계가 필수적임.
|
||||
**세부 내용:**
|
||||
- **핵심 수식**: B(x), C(x), Δ(x)가 입력 x의 함수.
|
||||
- **Hardware-aware 알고리즘**: parallel scan으로 GPU에서 효율 학습.
|
||||
- **벤치마크**: 언어 모델링·DNA·오디오에서 Transformer와 동등하거나 우월.
|
||||
- **한계**: in-context learning과 retrieval에서는 Transformer가 여전히 강함.
|
||||
- **하이브리드**: Jamba/Bamba처럼 SSM+어텐션 결합 모델 등장.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** draft
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[SSM|SSM]], [[Mamba|Mamba]], [[GPU-Memory-Hierarchy|GPU-Memory-Hierarchy]] (최적화 토대), [[Attention-Mechanism|Attention-Mechanism]] (대조군)
|
||||
- **Raw Source**: Datacollector_MAC/out_wiki/선택적 상태 공간 모델 (Selective SSM).md
|
||||
---
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
Reference in New Issue
Block a user