본 논문은 인간 뇌의 시간적 발달 메커니즘에서 영감을 받은 지속적 학습 모델인 TD-MCL(Continual Learning of Multiple Cognitive Functions with Brain-inspired Temporal Development Mechanism)을 제안합니다. 인간 뇌는 적은 에너지 소모로 다양한 인지 기능을 지속적으로 학습하는 반면, 현재 인공지능 네트워크는 네트워크 규모의 기하급수적 증가에 의존합니다. TD-MCL은 기본 영역에서 고급 영역으로의 연결 형성, 재구성, 가지치기의 점진적 과정을 모방하여, 인지 모듈 간 장거리 연결의 순차적 진화를 통해 긍정적인 지식 전이를 촉진하고, 피드백 기반의 국소 연결 억제 및 가지치기를 사용하여 이전 과제의 중복성을 제거함으로써 에너지 소모를 줄이면서 습득된 지식을 보존합니다. 실험 결과, TD-MCL은 규제, 재생 또는 고정 전략 없이도 지속적 학습 능력을 달성하고, 네트워크 규모를 줄이면서 새로운 과제에서 기존 직접 학습 방식보다 우수한 정확도를 달성함을 보여줍니다. 이는 뇌의 발달 메커니즘이 생물학적으로 타당하고 에너지 효율적인 일반적 인지 능력 향상을 위한 귀중한 참고 자료임을 시사합니다.
