KANLib -- 모듈식, 확장 가능하며 빠른 Kolmogorov-Arnold Network 구현체

Kolmogorov-Arnold Networks (KANs)는 선형 가중치 (linear weights)를 학습 가능한 단변량 함수 (univariate functions)로 대체함으로써, 기존의 다층 퍼셉트론 (multilayer perceptrons)을 대체할 유망한 대안으로 최근 부상했습니다. 해석 가능성 (interpretability)과 표현력 (expressiveness) 측면에서의 이론적 장점에도 불구하고, 높은 계산 비용 (computational costs)과 기존 프레임워크 간의 일관되지 않은 기능 지원으로 인해 KAN에 대한 실질적인 연구는 여전히 어려운 상태입니다. 본 논문은 KAN 아키텍처를 개발하고 평가하기 위한 모듈식, 확장 가능하며 계산 효율적인 프레임워크인 KANLib을 소개합니다. KANLib은 유연성, 기능적 동등성 (feature parity), 그리고 높은 성능을 강조하는 일관된 소프트웨어 아키텍처 내에서 PyKAN, EfficientKAN, FastKAN을 포함한 기존 구현체들의 핵심 개념을 통합합니다. 이 프레임워크는 표준 PyTorch 워크플로우와의 호환성을 유지하면서 두 가지 기저 함수 (basis function) 유형, 적응형 그리드 재스케일링 (adaptive grid rescaling), 그리드 확장 (grid extension), 그리고 세밀한 아키텍처 커스터마이징을 지원합니다. California Housing 벤치마크에 대한 실험적 평가 결과, KANLib은 기존의 참조 KAN 구현체들의 예측 동작을 재현하는 동시에 경쟁력 있는 계산 효율성을 달성함을 입증했습니다. 또한, 이 프레임워크는 예측 성능에 미치는 영향이 미미한 수준에서 표준 KAN 공식(formulations)을 넘어선 아키텍처 변형에 대한 탐색을 가능하게 합니다. 종합적으로, KANLib은 확장 가능하고 확장성이 있는 KAN 아키텍처에 대한 향후 연구를 위한 견고한 토대를 제공합니다.