[FEATURE] neuron Phase 16b — Net2Net-style function-preserving grow (FFN expansion)

[juhy0987]

배경

Phase 16 메인 이슈 #75 의 sub-issue (2/2). Phase 15 의 static prune 의 반대 방향 — 학습 중 신규 capacity 추가 + function preservation. Phase 16a (#76) 와 보완적: 16a 는 within-shape DST, 16b 는 cross-shape expansion.

목표

1. Net2Net-style FFN grow — 학습 중 ffn_dim 확장 (예: 256 → 384). 신규 group 추가.
2. function preservation — 확장 직후 forward output 이 확장 전과 정확히 동일 (atol=1e-5)
3. 신규 edge 의 초기화 전략:
   • Net2WiderNet: 기존 unit 의 random duplication + weight 분할
   • 또는 신규 edge weight=0 으로 시작 (gradient 가 깨움)
4. sweep: small-baseline (작게 시작 + 학습 끝까지 작은 상태) vs grown (작게 시작 + 중간에 확장) vs large-baseline (처음부터 크게)

설계 결정

• 확장 대상: FFN 의 ffn_dim 만 (가장 단순). hidden_dim 확장은 더 복잡 (downstream layer 모두 영향).
• 확장 시점: max_steps/2 (Phase 15 의 prune 시점과 동일)
• 확장 방법:
  • HybridGraphLinear.grow_out(n_new_groups): 신규 G_out group 추가, weight 0 init
  • HybridGraphLinear.grow_in(n_new_groups): 신규 G_in group 추가, weight 0 init
  • downstream layer 도 짝맞춰 grow_in 필요 (fc1 grow_out + fc2 grow_in 동시)
• function preservation 보장: 신규 edge 의 outgoing weight (다음 layer 로 가는) 가 0 이면 forward 영향 0 → 함수 동치

작업 항목

• HybridGraphLinear 확장:
  • grow_out(n_new): G_out 차원 확장 (신규 row 의 weight=0, adj=1, mask=1)
  • grow_in(n_new): G_in 차원 확장 (신규 column)
  • in_features / out_features / n_groups_* 갱신
• tests:
  • grow 후 shape 정확성
  • function preservation: grow_out + grow_in (downstream) 동시 적용 후 forward 가 grow 전과 동일 (atol=1e-5)
  • grow 후 학습 가능 (gradient 흐름 정상)
• demo 확장:
  • TrainConfig.grow_at_step / grow_ffn_dim_to (target ffn_dim)
  • train loop: grow step 에서 FFN 의 fc1.grow_out + fc2.grow_in 동시 실행, optimizer state 마이그레이션
• 노트북 16-phase16b-net2net-grow.ipynb:
  • 3 mode × 2 seed: small-baseline (ffn=128 끝까지) / grown (ffn=128→256 step 750) / large-baseline (ffn=256 끝까지)
  • 자동 verdict: function preservation 직후 / grown 최종 loss ≤ large-baseline + threshold

완료 조건

• 220 → ~240+ tests, all green
• coverage ≥ 70%
• 노트북 sweep 정상 실행, growing vs static 비교

관련

• Phase 16 메인 이슈 [FEATURE] neuron Phase 16 — dynamic topology evolution (RigL regrow + Net2Net grow) [메인] #75
• Phase 15 PR [FEAT#71] neuron Phase 15 — sparsity-driven edge prune (정적 → 동적 위상 진입) #72 (edge_mask 메커니즘)
• Phase 16a [FEATURE] neuron Phase 16a — RigL/SET-style edge regrow (constant sparsity DST) #76 (보완적 sub-phase)
• docs/papers/computation-graph/2016-net2net-chen.md (Net2Net 원논문)
• docs/papers/computation-graph/2023-ligo-wang.md (LiGO, modern 형태)
• docs/papers/energy-based/2006-dbn-hinton.md (DBN layer-wise growth historical)