Geometric Deep Learning (기하학적 딥러닝)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터의 외형이 아닌, 그 안에 숨겨진 대칭성과 기하학적 구조를 학습하여 차원을 넘나드는 지능을 구현하라" — 유클리드 공간(격자)을 넘어 그래프, 매니폴드, 3D 메쉬 등 비유클리드 구조를 가진 데이터에서 불변하는 특징을 추출하기 위한 딥러닝의 통합 프레임워크.

추출된 패턴: 데이터의 물리적 위치가 변하더라도 그들 사이의 관계나 위상(Topology)이 유지된다면 동일한 특징으로 인식하는 '기하학적 불변성(Geometric Invariance)' 학습 패턴.
주요 대상:
- Graphs: 사회 관계망, 분자 구조, 지식 그래프.
- Manifolds: 구면 데이터, 비정형 표면.
- 3D Meshes: 입체적인 사물 모델링 데이터.
핵심 원칙:
- Symmetry (대칭성): 회전이나 평행 이동에도 변하지 않는 성질 활용.
- Invariance & Equivariance: 입력의 변환에 따라 출력이 일정하게 유지되거나 규칙적으로 변하는 성질.
의의: 신약 개발(분자 결합 예측), 추천 시스템(사용자-아이템 그래프), 자율주행(3D 공간 인식) 등 비정형 데이터가 주를 이루는 난제 해결의 열쇠.

과거 데이터와의 충돌: 이미지를 픽셀의 나열로만 보던 CNN의 한계를 넘어, 데이터 사이의 논리적/물리적 연결 구조 자체를 학습하는 방향으로 인공지능의 시야가 확장됨.
정책 변화: Antigravity 프로젝트는 수만 개의 지식 노드 간의 복잡한 상관관계를 분석하기 위해 기하학적 딥러닝 기반의 Graph Neural Networks(GNN)를 도입하여 지식 지도를 고도화함.