트랜스포머 회로를 위한 수학적 프레임워크
Anthropic이 2021년 발표한 연구로, 트랜스포머 언어 모델의 내부 동작을 역설계(리버스 엔지니어링)하기 위한 수학적 프레임워크를 제시했습니다. 연구진은 2층 이하의 어텐션 전용 소형 모델을 분석해 '인덕션 헤드(induction head)'라는 특정 어텐션 헤드가 문맥 내 학습(in-context learning)을 설명한다는 것을 발견했습니다. 이는 AI 모델의 안전성 문제를 체계적으로 이해하고 예측하기 위한 기계적 해석 가능성(mechanistic interpretability) 연구의 초석이 되는 중요한 성과입니다.
트랜스포머 회로 스레드: 트랜스포머 회로를 위한 수학적 프레임워크
저자: Nelson Elhage, Neel Nanda, Catherine Olsson, Tom Henighan, Nicholas Joseph, Ben Mann, Amanda Askell, Yuntao Bai, Anna Chen, Tom Conerly, Nova DasSarma, Dawn Drain, Deep Ganguli, Zac Hatfield-Dodds, Danny Hernandez, Andy Jones, Jackson Kernion, Liane Lovitt, Kamal Ndousse, Dario Amodei, Tom Brown, Jack Clark, Jared Kaplan, Sam McCandlish, Chris Olah
소속: Anthropic 발표일: 2021년 12월 22일 (* 핵심 연구 기여자; † 핵심 인프라 기여자; ‡ 문의: colah@anthropic.com; 저자 기여 명세는 하단 참조)
트랜스포머 언어 모델은 GPT-3, LaMDA, Codex, Meena, Gopher 등과 같은 시스템에서 실제로 사용되며 점점 더 폭넓게 활용되는 신흥 기술입니다. 그러나 이러한 모델이 규모가 커질수록 개방성과 높은 용량으로 인해 예상치 못한, 때로는 유해한 행동이 발생할 여지가 커집니다. 대형 모델이 학습된 지 수년이 지난 후에도 개발자와 사용자는 이전에 알지 못했던 모델 능력(문제가 되는 행동 포함)을 계속해서 발견하고 있습니다.
이러한 문제를 해결하는 한 가지 접근법은 기계적 해석 가능성(mechanistic interpretability)입니다. 이는 프로그래머가 복잡한 바이너리 코드를 사람이 읽을 수 있는 소스 코드로 역설계하려는 것처럼, 트랜스포머가 수행하는 세부 계산 과정을 역설계하려는 시도입니다. 이것이 가능해진다면 현재의 안전성 문제를 설명하고, 새로운 문제를 식별하며, 나아가 아직 만들어지지 않은 강력한 미래 모델의 안전성 문제를 예측하는 더 체계적인 접근법을 제공할 수 있을 것입니다.
이전 프로젝트인 Distill Circuits 스레드는 비전 모델을 역설계하려고 시도했지만, 지금까지 트랜스포머나 언어 모델에 대한 비슷한 프로젝트는 없었습니다. 이 논문에서 우리는 트랜스포머를 역설계하기 위한 초기의, 매우 예비적인 단계를 시도합니다. 현대 언어 모델의 놀라운 복잡성과 규모를 고려할 때, 우리는 가능한 한 가장 단순한 모델에서 시작하여 점차 확장해 나가는 것이 가장 생산적이라는 것을 발견했습니다. 우리의 목표는 이후 더 크고 복잡한 모델에 적용할 수 있는 간단한 알고리즘적 패턴, 모티프, 프레임워크를 발견하는 것입니다.
구체적으로 이 논문에서는 어텐션 블록만 포함된 2층 이하의 트랜스포머를 연구합니다. 이는 96개 층을 가지고 어텐션 블록과 MLP 블록을 번갈아 사용하는 GPT-3 같은 대형 현대 트랜스포머와 대조됩니다. 우리는 트랜스포머의 작동을 새롭지만 수학적으로 동등한 방식으로 개념화함으로써 이러한 소형 모델을 이해할 수 있고, 모델이 내부적으로 어떻게 작동하는지에 대한 상당한 통찰을 얻을 수 있음을 발견했습니다. 특히 주목할 점은, 우리가 '인덕션 헤드(induction head)'라고 명명한 특정 어텐션 헤드가 이러한 소형 모델에서 문맥 내 학습(in-context learning)을 설명할 수 있으며, 이러한 헤드는 최소 2개의 어텐션 층을 가진 모델에서만 발생한다는 것입니다. 또한 이러한 헤드가 실제 특정 데이터에서 작동하는 몇 가지 예시도 살펴봅니다.
우리는 이 첫 논문에서 우리의 통찰을 더 큰 모델에 적용하는 것을 시도하지 않지만, 곧 발표될 후속 논문에서 트랜스포머를 이해하기 위한 우리의 수학적 프레임워크와 인덕션 헤드 개념이 훨씬 더 크고 현실적인 모델에 대해서도 최소한 부분적으로 관련성이 있음을 보일 것입니다. 다만 그러한 모델을 완전히 역설계할 수 있기까지는 여전히 매우 먼 길이 남아 있습니다.
결과 요약 역설계 결과 역설계의 어려움을 탐구하기 위해 우리는 여러 장난감(toy) 수준의 어텐션 전용 모델을 역설계했습니다. 그 과정에서 다음을 발견했습니다:
0층 트랜스포머는 바이그램(bigram, 인접 두 단어 쌍) 통계를 모델링합니다. 바이그램 테이블은 가중치에서 직접 추출할 수 있습니다.
1층 어텐션 전용 트랜스포머는 바이그램 모델과 '스킵-트라이그램(skip-trigram, "A… B C" 형태의 시퀀스)' 모델의 앙상블입니다. 바이그램 및 스킵-트라이그램 테이블은 모델을 실행하지 않고도 가중치에서 직접 접근할 수 있습니다.