본 논문은 기존 Retrieval-Augmented Generation (RAG) 시스템의 균일한 처리 방식으로 인한 비효율성 문제를 해결하기 위해, 질의의 복잡성과 시스템 부하를 실시간으로 평가하여 기호적(symbolic), 신경망적(neural), 또는 혼합 경로를 선택하는 적응형 질의 라우팅 프레임워크인 SymRAG를 제시합니다. SymRAG는 질의 특성과 시스템 부하를 기반으로 계산 경로를 조정하여 다양한 질의 유형에 걸쳐 효율적인 자원 할당을 가능하게 합니다. Llama-3.2-3B 및 Mistral-7B 모델을 사용하여 HotpotQA(다단계 추론) 및 DROP(이산 추론)에서 2,000개의 질의를 평가한 결과, SymRAG는 경쟁력 있는 정확도(97.6100.0% 정확 일치)와 효율적인 자원 활용(3.66.2% CPU 사용률, 0.9853.165초 처리 시간)을 달성했습니다. 적응형 라우팅을 비활성화하면 처리 시간이 1691151% 증가하여 복잡한 모델에서의 중요성을 보여줍니다. 이러한 결과는 동적 라우팅과 신경 기호 프레임워크를 사용하는 하이브리드 AI 시스템에 적응형 계산 전략이 더 지속 가능하고 확장 가능함을 시사합니다.
