2nd/10_Wiki/Topics/SSM.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-ssm	SSM	10_Wiki/Topics	verified	self		none	A	0.92	uncategorized		2026-05-08	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

--- 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)

State Space Model(SSM)은 연속 시간 선형 동역학을 신경망으로 매개변수화한 시퀀스 모델로, Transformer 대비 선형 복잡도로 긴 컨텍스트를 처리할 수 있는 대안이다.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴: "행렬 A·B·C·D로 정의되는 ODE → 이산화 → 컨볼루션/RNN 형태로 효율 계산" — 이 수학적 골격이 모든 SSM 변형의 기본 틀.

세부 내용:

• 수식: h'(t) = Ah(t) + Bx(t), y(t) = Ch(t) + Dx(t).
• 이산화: ZOH/Bilinear로 (A,B) → (Ā,B̄).
• HiPPO 초기화: 직교 다항식 기반으로 장기 메모리 보존.
• S4 / S5 / S6 (Mamba): 선택적 게이팅으로 데이터 의존성 도입.
• 장점: 추론 시 O(L) 시간·메모리. Transformer의 O(L²) 대비 유리.

🤖 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)

• 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