A computational model of infant sensorimotor exploration in the mobile paradigm

기술 요약: 모바일 패러다임에서의 영아 감각운동 탐색에 관한 계산 모델

문제 제로 (Problem Statement)
본 논문은 특히 "모바일 패러다임(mobile paradigm)" 내에서 영아의 감각운동 학습을 뒷받침하는 계산적 메커니즘을 다룬다. 이 발달 심리학 패러다임에서 영아의 사지는 침대 위에 매달린 모바일과 연결된다. 영아는 자신의 사지 움직임과 그 결과로 나타나는 감사 피드백(모바일의 움직임) 사이의 인과관계(contingency)를 감지하는 법을 배운다. 기존의 경험적 연구들은 영아들(특히 5~6개월 영아)이 "연결된" 사지를 빠르게 구별하고 해당 사지의 활동을 증가시킬 수 있으며, 이러한 학습이 단순한 자극이 아닌 인과관계 자체에 민감하다는 것을 입증했다. 그러나 그 기저에 있는 인지적 및 신경적 메커로임에 대해서는 여전히 논쟁이 있다. 이전의 계산적 시도들은 예측 능력이 없는 단순한 조작적 조건 형성(operant conditioning)에 의존하여 "소거 폭발(extinction bursts)"과 같은 현상을 설명하는 데 실패하거나, 생물학적 뇌에는 부적합하다고 간주되는 복잡한 정보 이론적 접근 방식을 사용했다. 본 논문은 영아의 행동을 재현하고, 특정 학습 메커니즘을 테스트하며, 소거 폭발 및 이진(binary) 조건과 공액(conjugate, 비이진) 자극 조건 간의 차이와 같은 논쟁적인 발견들을 조사하기 위해 상세한 계산 모델을 제안한다.

방법론 (Methodology)
저자들은 모바일과 상호작용하는 영아를 시뮬레이션하는 신경망 기반 모델을 개발했다. 이 모델은 두 가지 가이드 원칙에 기초한다: (1) 영아는 자신의 행동에 따른 감각적 결과를 예측하려고 시도한다(행동-결과 예측), (2) 운동 시스템은 중복성(redundancy)과 노이즈를 포함하는 생물학적으로 현실적이다.

• 구조 (Architecture): 모델은 네 가지 주요 모듈로 구성된다:

  1. 신경망 (Neural Network): 5개의 입력 뉴런(4개의 사지 활동 + 1개의 감각 피드백), 8개의 은닉 뉴런, 601개의 출력 뉴런(600개의 근육 명령 + 1개의 감각 예측)으로 이루어진 완전 연결 네트워크(fully connected network)이다.
  2. 운동 제어 및 신체 (Motor Control & Body): 600개의 근육 명령 뉴런은 인간의 해부학적 구조에서 영감을 얻은 인구 코드(population code)를 사용하여 네 개의 사지로 매핑된다. 이 매핑은 베타 함수 분포를 사용하여 중첩된 제어를 생성하는데, 어떤 뉴런은 특정 사지에 강한 영향을 미치고, 어떤 뉴런은 중간 정도의 효과를 가지며, 많은 뉴런은 미미한 효과를 가진다. 생물학적 가변성을 시뮬레이션하기 위해 사지 활동에 운동 노이즈(-0.3에서 0.3 사이의 무작위 값)가 추가된다.
  3. 감각 피드백 (Sensory Feedback): 환경은 "연결된" 사지에 반응하는 모바일을 시뮬레이션한다. 두 가지 조건이 테스트된다: 이진(Binary) (사지 활동이 임계값을 초과하면 고정된 시간 동안 모바일이 활성화됨) 및 공액/비이진(Conjugate/Non-binary) (모바일의 강도가 사지 활동에 비례함).
  4. 학습 메커니즘 (Learning Mechanism): 네트워크는 세 가지 항으로 구성된 복합 **손실 함수(Loss function)**를 최소화하기 위해 온라인 역전파(backpropagation)를 통해 훈련된다:
     • 감각 예측 오차 (Sensory Prediction Error): 예측된 감각 피드백과 실제 피드백 사이의 평균 제곱 오차(MSE).
     • 탐색 오차 (Exploration Error): "활동 관심 지도(Activity Interest Map)"로부터 유도된 MSE 항. 이 지도는 다양한 사지 활동 범위에 대한 "관심"을 추적한다. 만약 어떤 행동이 "신규성 임계값(Novelity Threshold)"(0.1)을 초과하는 감각 예측 오차를 발생시키면, 해당 범위에 대한 관심은 1(높은 관심)로 설정된다. 예측이 정확하면 관심은 감소한다. 네트워크는 높은 관심 범위를 향해 움직이지 않는 것에 대해 페널티를 받는다.
     • 기초선으로부터의 편차 (Deviation from Baseline): 사지 활동이 선호하는 기초 수준 근처에 머물도록 보장하는 MSE 항이며, 이는 커지는 까다로움(fussiness)을 시뮬레이션하기 위해 시간이 지남에 따라 점진적으로 증가한다.

• 실험 설정 (Experimental Setup): 모델은 최근의 경험적 연구들(Popescu etol., 2022; Jacquey et al., 2021)의 참가자 수를 맞추어, 각 조건(이진 및 비이진)에 대해 20회의 시뮬레이션을 수행했다. 각 실행에는 1000단계의 초기화, 1200단계의 인과 단계, 240단계의 소거 단계(연결 해제)가 포함되었다.

주요 기여 (Key Contributions)

1. 핵심 현상의 재현: 모델은 영아의 핵심적인 경험적 발견인 "연결된" 사지와 연결되지 않은 사지 간의 빠른 차별화 및 선택적 활동 증가를 성공적으로 재현했다.
2. 인과관계 민감도: 모델은 비인과적(무작위) 대조군에 비해 인과적 조건에서 더 높은 활동을 보여, 학습 메커니즘이 단순한 자극이 아닌 인과적 연결에 민감함을 확인했다.
3. 이진 vs 공액 효과: 모델은 이진 조건이 공액 조건보다 인과관계 감지가 더 강력하고 빠르다는 경험적 발견을 재현한다. 저자들은 이를 이진 조건에서 단위 움직임당 감각 변화가 더 크기 때문에 "연결된" 사지를 식별하기가 더 쉽기 때문이라고 설명한다.
4. 소거 폭발 시뮬레이션: 모델은 연결 해제 시(연결 끊김) 일시적인 활동 증가인 "소거 폭발"을 가끔 보여주며, 이는 인간 영아에게서 관찰되는 불일치한 현상을 반영한다. 저자들은 이것이 예측 기대의 위반에서 비롯된다고 제안한다.
5. 절제 연구 (Ablation Studies): 논문은 특정 구성 요소의 필요성에 대한 엄격한 증거를 제공한다:
   • 예측 (Prediction): 예측 오차 손실을 제거하면 모델은 연결된 사지를 구별하지 못한다.
   • 탐색 (Exploration): 신규성 기반 강화 계산기를 제거하면 탐색 동력이 사라져 학습이 방해된다.
   • 운동 중복성 (Motor Redundancy): 근육 명령 뉴런의 수를 줄이면(600개에서 50개 또는 100개로) 연결을 학습하는 능력이 크게 저하되며, 이는 고차원적 운동 제어가 발견에 매우 중요하다는 것을 시사한다.
   • 운동 노이즈 (Motor Noise): 불충분하거나 과도한 운동 노이즈는 모두 학습을 저해한다. 중간 수준(0.3)의 노이즈가 사지 간의 대칭을 깨뜨리는 데 필요한 탐색을 가능하게 하는 최적의 수준이다.

결과 (Results)
시뮬레이션 결과, 완전한 모델은 시뮬레이션의 첫 몇 분 이내에 연결된 사지를 활성화하는 법을 학습했으며, 이는 6개월 된 영아의 타임코스와 밀접하게 일치했다.

• 특이성 (Specificity): 인과적 그룹에서 연결된 사지의 활동은 연결되지 않은 사지보다 유의미하게 높았다. 비인과적 그룹에서는 그러한 차별화가 일어나지 않았다.
• 소거 (Extinction): 체계적이지는 않지만, 소거 폭발은 개별 시뮬레이션 실행, 특히 비이진 조건에서 나타났으며, 이는 소거 폭발이 예측 메커니즘에서 기인한다는 가설을 뒷받침한다.
• 절제 결과 (Ablation Outcomes): 예측 오차나 탐색 메커니즘이 없는 모델은 학습에 실패했다. 감소된 근육 명령 뉴런이나 부적절한 운동 노이즈 수준을 가진 모델은 사지를 일관되게 구별하지 못하거나 학습 성공률에서 높은 변동성을 보였다.

의의 및 주장 (Significance and Claims)
저자들은 자신들의 모델이 행동-결과 예측과 생물학적 영감을 받은 운동 제어를 통합한 모바일 패러독스에 대한 "상세한 계산 모델의 첫 번째 시도"라고 주장한다. 이 연구의 의의는 예측 메커니즘(구체적으로 행동-결과 예측 및 신규성 기반 탐색)이 단순한 강화나 조작적 조건 형성이 아닌, 감각운동 인과관계 학습에 필수적임을 입증했다는 데 있다.

논문은 모델이 주요 경험적 발견을 재현하기는 하지만, 주의력, 사회적, 환경적 방해 요인을 제외했기 때문에 인간 영아의 전체적인 변동성(피험자 간 및 피험자 내 변동)을 완전히 포착하지는 못한다고 겸허히 결론짓는다. 그러나 절제 연구는 예측, 탐색, 운동 노이즈, 그리고 중복된 운동 제어와 같이 모델에 포함된 구성 요소들이 실제 영아의 발달 메커니즘에 필요한 성분일 가능성이 높음을 강력하게 시사한다. 이 모델은 감각운동 학습 메커니즘 및 로보틱스에 대한 응용 연구를 위한 출발점 역할을 한다.