Structural Plasticity as Active Inference: A Biologically-Inspired Architecture for Homeostatic Control

[기술 요약] 구조적 가소성을 능동적 추론으로 활용: 항상성 제어를 위한 생물학적 영감 기반 아키텍처

1. 문제 정의 (Problem Statement)

기존의 인공 신경망(ANN)은 강력한 성능을 보이지만, **전역적 역전파(Global Backpropagation)**와 같은 학습 메커니즘을 사용하는데, 이는 생물학적 뇌의 국소적(Local) 계산 원리와 배치된다는 한계가 있습니다. 또한, 기존 모델들은 신경망의 연결 강도(Synaptic weights)는 학습하지만, 신경망의 물리적 구조나 토폴로지(Topology) 자체가 환경에 맞춰 유연하게 변화하는 **구조적 가소성(Structural Plasticity)**을 충분히 반영하지 못합니다. 본 연구는 생물학적 유기체가 예측 오류를 최소화하며 스스로 구조를 최적화하는 방식을 모방하여, 보상 신호 없이도 자가 조직화(Self-organizing)를 통해 목표를 달성할 수 있는 모델을 제안합니다.

2. 방법론 (Methodology)

본 논문은 **SAPIN(Structurally Adaptive Predictive Inference Network)**이라는 새로운 계산 모델을 제안합니다. 이 모델은 9x9 2D 그리드 상에서 작동하며, 다음과 같은 핵심 메커니즘을 통합합니다.

• 능동적 추론(Active Inference) 기반 설계: 자유 에너지 원리(Free Energy Principle)에 따라, 에이전트는 예측 오류(Surprise)를 최소화하는 방향으로 행동하고 학습합니다.
• 이중 학습 메커니즘:
  1. 시냅스 가소성 (Synaptic Plasticity): 국소적(Local)인 Hebbian 방식의 규칙을 사용합니다. 각 셀(Cell)은 자신의 실제 활성화 값($V_i$)과 학습된 기대값($E_i$) 사이의 차이(예측 오류)를 이용하여 연결 강도($s_i$)와 기대값($E_i$)을 업데이트합니다.
  2. 구조적 가소성 (Structural Plasticity): 셀이 그리드 상에서 물리적으로 이동하는 메커니즘입니다. 셀의 '이동 욕구(Desire)'는 장기적인 평균 예측 오류로 정의됩니다. 과활성화된 셀은 신호원을 피하고, 저활성화된 셀은 신호원을 향해 이동하여 정보 수용 영역(Receptive field)을 최적화합니다.
• 신호 전파 (Signal Propagation): 고정된 레이어 없이, 활성화 값이 가장 큰 셀이 다음 셀을 선택하여 신호를 전달하는 'Winner-takes-all' 방식의 데이터 주도형 전파를 사용합니다.

3. 주요 기여 (Key Contributions)

• SAPIN 아키텍처 제안: 시냅스 가소성(정보 처리 방식 학습)과 구조적 가소성(계산 자원의 위치 학습)을 결합한 새로운 신경망 구조를 제시했습니다.
• 보상 없는 학습 가능성 입증: 외부의 보상(Reward)이나 처벌(Punishment) 신호 없이, 오직 **국소적 예측 오류 최소화(Homeostasis 유지)**라는 내재적 동기만으로 복잡한 제어 문제를 해결할 수 있음을 보여주었습니다.
• 안정성-가소성 딜레마 해결책 제시: 학습 중 발생하는 불안정성을 해결하기 위해, 성공적인 정책을 발견했을 때 파라미터를 고정하는 'Locking(시냅스 공고화의 계산적 유사체)' 메커니즘을 실험했습니다.

4. 실험 결과 (Results)

• CartPole 과제 성공: 고전적인 강화 학습 벤치마크인 CartPole-v1 환경에서 SAPIN은 폴(Pole)을 세우는 안정적인 정책을 스스로 발견했습니다.
• 처벌 메커니즘의 무용성 확인: 실험 결과, 인위적인 처벌(Punishment) 신호를 주지 않아도 네트워크는 성공적으로 학습되었습니다. 이는 항상성 유지 작업에서 예측 오류 최소화가 그 자체로 충분한 목적 함수가 될 수 있음을 시사합니다.
• Locking 실험의 유효성: 학습된 네트워크를 고정(Locking)했을 때, 100번의 에피소드 중 평균 82%의 성공률을 유지하며 견고한(Robust) 정책을 형성함을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

본 연구는 인공지능이 단순히 고정된 구조 위에서 가중치를 조정하는 것을 넘어, 물리적 구조(Topology) 자체를 능동적으로 구성함으로써 더 효율적인 학습이 가능함을 보여주었습니다. 이는 생물학적 뇌와 유기체의 형태 형성(Morphogenesis) 원리를 계산 모델로 성공적으로 이식한 사례입니다. SAPIN은 자가 조직화 시스템이 어떻게 환경과의 상호작용을 통해 안정적인 제어 능력을 획득할 수 있는지에 대한 이론적, 실증적 근거를 제공하며, 향후 더 복잡한 환경에서의 장기 계획(Long-term planning) 모델로 확장될 가능성을 열었습니다.