Cadence: 전역 역전파를 탈피한 로컬 패치넷 정산 방식의 오픈소스 머신러닝 라이브러리
보안 연구자 Bernhard Mueller가 전역 역전파 대신 소유자별 로컬 상태 복구와 정산(settlement) 메커니즘으로 동작하는 MIT 라이선스 Python 머신러닝 라이브러리 Cadence(cadence-net 0.1.0)를 공개했습니다.
보안 연구자이자 소프트웨어 엔지니어인 베른하르트 뮐러(Bernhard Mueller, @muellerberndt)가 2026년 9월, 기존 딥러닝의 전역 역전파 연산을 대체하는 독창적인 탈중앙 패치넷 정산(patch-net settlement) 기반 머신러닝 라이브러리 'Cadence'를 오픈소스로 공개했습니다. PyPI에 cadence-net(v0.1.0)으로 등록된 이 프로젝트는 중앙 통제식 대규모 텐서 미분 계산 대신, 독립된 소유자(owner)들이 중첩 영역을 통해 로컬 상태를 복원하고 자율적 평형에 도달하는 방식으로 지능적 연산을 수행합니다.
이미지 출처: GitHub muellerberndt/cadence (@muellerberndt)
현대 인공지능 프레임워크인 PyTorch와 TensorFlow는 거대한 단일 텐서 그래프 상에서 오차를 전역으로 역전파(Backpropagation)하며 가중치를 갱신합니다. 반면 Cadence는 생물학적 신경계와 분산 물리 시스템의 수렴 원리에서 착안하여, 중앙 집중식 오차 전파 없이도 다중 노드가 안정적인 인지 상태를 도출할 수 있음을 실험적으로 증명하고자 설계되었습니다.
전역 역전파를 대체하는 로컬 패치넷 정산(Patch-Net Settlement) 메커니즘
Cadence의 핵심 아키텍처는 패치넷(Patch Net)이라 불리는 소유자들의 분산 집합입니다. 시스템 내부에서 각 소유자(Owner)는 전체 상태 중 자신에게 할당된 단 하나의 로컬 상태 패치만을 점유하며, 인접한 소유자들과는 사전에 정의된 '중첩 영역(Overlap)'으로만 연결됩니다.
- 전역 연산의 완전한 배제: 모델 내부에는 전체 상태를 일괄 계산하는 중앙 조정자나 전역 손실 함수가 존재하지 않습니다. 모든 계산은 각 소유자가 인접 노드로부터 중첩 영역을 통해 전달받은 신호만을 바탕으로 자신의 로컬 패치를 능동 복구(Local repair)하는 독립 연산으로 이루어집니다.
- 정산(Settlement)을 통한 해 도출: 외부 자극이 입력되면 각 소유자가 국소적 갱신 규칙에 따라 패치를 반복 복구하며 신호를 교환합니다. 네트워크 전체가 상호 모순 없는 안정적인 평형 상태(Rest)에 도달했을 때, 최종적으로 형성된 전체 네트워크 상태가 곧 계산의 정답이 됩니다.
- 다양한 규모의 확장성: 6개의 소유자로 구성된 단순한 링 구조부터 실제 생물학적 커넥톰(Connectome) 데이터에서 추출한 161,827개 소유자 규모의 대형 신경계 구조까지 일관된 수렴 알고리즘으로 처리할 수 있습니다.
7대 레이어 모듈 구성과 결정론적 영수증(Receipt) 검증 체계
Cadence는 연구자가 패치넷을 직접 조립하고 수렴 과정을 수학적으로 추적할 수 있도록 7단계의 모듈화된 계층 설계를 갖추고 있습니다.
- Wiring & GradedRule/Adaptation: 엣지 리스트로부터 소유자와 중첩 영역을 정렬된 배열, 명명된 집합, 암호화 다이제스트로 구성하는
Wiring모듈을 제공합니다. 소유자의 활성화 규칙인GradedRule은 휴지 상태에서는 신호를 방출하지 않는 정류 시그모이드(rectified sigmoid) 전위를 기반으로 하며,Adaptation변수를 통해 정적 고정점을 리듬감 있는 주기적 진동으로 전환합니다. - Settlement & Conformance 엔진: 기본 런타임 엔진인
Settlement는 64비트 부동소수점 NumPy(CPU)를 기본으로 구동되며, CUDA, Apple Silicon(MPS), CPU 가속을 지원하는 PyTorch 백엔드를 선택할 수 있습니다. 특히conformance,settle_owner_by_owner,Ledger모듈은 메시지 원장을 대조하여 고속 벡터 백엔드가 로컬 소유자 규칙 외의 전역 연산을 수행하지 않았음을 수학적으로 엄격하게 보증합니다. - Protocol & Receipt: 자극 입력과 평가 조건을 선언하는
Protocol, 셔플 배선 대조군 실험(shuffled), 희소성 상한선 기반의 이득 최적화(select_gain)를 지원합니다. 실행 결과는 코드 및 데이터 다이제스트와 결합된 표준 JSON 형식의Receipt및source_manifest로 출력되어 모든 검증 플래그를 재현 검증할 수 있습니다. - Source & fetch: 모델에 필요한 공개 데이터를 고정(
pinned)하여 단 한 번만 다운로드하고 항상 검증(verified always)하도록 보장하는 데이터 소스 계층을 제공합니다.
설치 경로와 신경망 인공두뇌의 '수면과 꿈' 연구 에세이
Cadence는 현재 Python 3.11 이상 환경을 지원하며 PyPI를 통해 즉시 설치할 수 있습니다. 복잡한 외부 의존성 없이 순수 NumPy 기반으로 경량 기동되며, 대규모 병렬 가속이 필요한 경우 PyTorch 런타임과 결합할 수 있습니다.
pip install cadence-net
개발자인 Bernhard Mueller는 라이브러리 공개와 함께 기술 에세이 "Why Cadence Artificial Brains Must Sleep and Dream"을 공유하며, 인공두뇌 아키텍처에서 꿈을 꾸는 과정(Dreaming)이 단순한 비유가 아닌 '수학적 필연성(mathematical necessity)'이라고 강조했습니다.
Cadence는 현재 버전 0.1.0의 초기 연구용 릴리즈로, 상용 프로덕션 환경의 즉각적인 대체재보다는 기존 역전파 딥러닝 패러다임의 한계를 탐색하는 AI 연구자, 뉴로모픽 아키텍처 엔지니어, 커넥톰 기반 뇌 모델링 연구자들에게 매우 가치 있는 실험 플랫폼을 제공합니다.