Task learning increases information redundancy of neural responses in macaque visual cortex

이 논문은 원숭이 V4 영역의 신경 반응 연구를 통해 새로운 과제를 학습하는 과정에서 뇌가 효율성을 위해 중복성을 줄인다는 기존 가설과 달리, 베이지안 추론 예측에 따라 신경 반응의 정보 중복성이 증가하여 개별 뉴런이 전달하는 정보를 증대시킨다는 사실을 규명했습니다.

핵심

🧠 핵심 발견: "배우면 배울수록, 뇌는 정보를 '중복'시킨다?"

일반적으로 우리는 정보를 효율적으로 처리하려면 중복을 없애야 한다고 생각합니다. 예를 들어, 사무실에서 같은 일을 두 명이 동시에 하면 비효율적이라고 생각하죠. 그래서 뇌도 새로운 일을 배울 때, 불필요한 중복을 제거하고 정보를 깔끔하게 정리해서 더 똑똑해진다고 믿어왔습니다.

하지만 이 연구는 **"아닙니다! 뇌는 배울수록 정보를 '중복'시켜서 더 똑똑해집니다"**라고 말합니다.

🍕 비유 1: 피자와 정보의 중복 (기존 이론 vs 새로운 발견)

1. 기존 이론 (효율성 중심): "피자 조각을 딱 맞게 자르자"

• 상황: 100 명의 직원 (뉴런) 이 100 개의 피자 조각을 나눠 먹어야 합니다.
• 과거의 생각: 일을 배우면, 각 직원이 서로 다른 피자 조각만 먹게 해서 중복을 없애야 합니다. A 는 페퍼로니, B 는 마늘, C 는 치즈만 먹게 하면 전체적으로 더 많은 맛 (정보) 을 경험할 수 있다고 생각했습니다.
• 예상: 학습이 진행될수록 직원들 간의 대화 (상호작용) 는 줄어들고, 각자 맡은 역할만 명확해져야 효율이 좋아집니다.

2. 새로운 발견 (이 연구의 결론): "모두가 같은 피자를 공유하자"

• 상황: 똑같은 100 명의 직원이 있습니다.
• 실제 발견: 일을 배우고 숙련될수록, 직원들은 서로 같은 피자 조각에 대해 더 많이 이야기하기 시작합니다.
• 왜? 만약 한 직원이 피자를 잘 못 먹거나 실수해도, 옆에 있는 다른 직원들이 "아, 저건 페퍼로니였어!"라고 알려주기 때문입니다.
• 결과: 겉보기에는 같은 말을 반복해서 비효율적으로 보일 수 있지만, 실제로는 각 직원이 가진 정보의 질이 높아지고, 실수가 나더라도 전체 시스템이 훨씬 더 정확하게 판단하게 됩니다.

🎤 비유 2: 마이크와 앰프 (뇌의 작동 원리)

이 연구는 뇌가 **'생성적 추론 (Generative Inference)'**이라는 방식을 사용한다고 말합니다.

• 기존 생각 (감지만 하는 카메라): 뇌는 카메라처럼 눈앞에 있는 것만 찍어서 보내는 수동적인 기계라고 생각했습니다. 그래서 잡음 (노이즈) 을 없애고 선명한 그림을 만들어야 한다고 믿었습니다.
• 새로운 생각 (예측하는 시나리오 작가): 뇌는 카메라가 아니라, 미래를 예측하는 시나리오 작가입니다.
  • 뇌는 "아, 저건 0 도 각도일 거야"라고 미리 예측 (사전 지식) 을 가지고 있습니다.
  • 그리고 눈으로 들어온 실제 정보와 이 예측을 합쳐서 최종 결론을 내립니다.
  • 이 과정에서 뇌의 여러 부위가 서로 "내 예측은 이러니, 너도 그렇게 생각해"라고 **서로 정보를 공유 (중복)**하게 됩니다.
  • 이 '중복된 정보' 덕분에, 한 부분이 망가져도 다른 부분이 그 정보를 보완해주어 **결정 (Decision)**이 훨씬 더 강력하고 정확해집니다.

🐒 실험 내용: 원숭이들의 학습 과정

연구진은 두 마리의 원숭이에게 두 가지 방향 (수평/수직, 대각선) 을 구별하는 게임을 시켰습니다.

1. 초기 학습: 원숭이들이 막 배우는 때는 뇌의 신경 세포들이 각자 따로 놀며 정보를 처리했습니다. (중복도 낮음)
2. 숙련된 학습: 원숭이들이 게임을 잘하게 될수록, 뇌의 신경 세포들은 서로 정보를 공유하며 같은 방향으로 진동하기 시작했습니다.
   • 마치 합창단에서 지휘자가 나타나자, 각 성부들이 서로의 소리를 듣고 조화를 이루며 더 큰 소리를 내는 것과 같습니다.
   • 이 '조화 (중복)'가 생길수록 원숭이들의 게임 실력은 기하급수적으로 좋아졌습니다.

💡 이 발견이 우리에게 주는 교훈

1. 실수는 괜찮다, 중요한 건 공유다: 뇌는 완벽하게 효율적일 필요는 없습니다. 오히려 서로 정보를 공유하고 중복시키는 것이 실수를 막고 더 똑똑한 판단을 내리게 합니다.
2. 배움은 '정리'가 아니라 '연결'이다: 우리가 무언가를 배울 때, 뇌는 정보를 삭제하거나 정리하는 게 아니라, 서로 연결고리를 더 많이 만들어 정보를 풍부하게 공유하는 방향으로 변합니다.
3. 미래 예측의 힘: 뇌는 단순히 눈앞의 데이터를 처리하는 게 아니라, "앞으로 무슨 일이 일어날까?"를 예측하며 정보를 재구성합니다. 이 예측 과정이 바로 정보의 중복을 만들어냅니다.

📝 한 줄 요약

"뇌는 새로운 일을 배울 때, 정보를 덜어내어 효율화하는 게 아니라, 서로 정보를 공유하며 '중복'시켜 실수를 막고 더 똑똑하게 만든다."

이 연구는 우리가 '효율성'만 쫓던 기존의 뇌 이해를 뒤집고, 뇌가 어떻게 예측과 공유를 통해 세상을 이해하는지 보여주는 중요한 발견입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

시각 정보 처리를 이해하는 두 가지 대립되는 이론적 프레임워크가 존재합니다.

• 고전적 관점 (Classic Perspective): 학습과 주의 (attention) 는 하위 의사결정 회로의 해독 정확도를 높이기 위해 신경 표현의 중복성을 감소시키고, 정보 제한적 상관관계 (information-limiting correlations) 를 제거하여 효율성을 극대화한다고 봅니다.
• 생성적 추론 관점 (Generative Inference): 시각 처리는 외부 세계의 원인 (causes) 과 시각적 관찰 사이의 관계를 역추적하는 내부 '생성 모델 (generative model)'을 반전시키는 과정입니다. 이 관점에서는 학습이 피드백 신호를 통해 사전 확률 (prior beliefs) 을 공유하게 하므로, 신경 반응의 중복성이 증가할 것이라고 예측합니다.

핵심 질문: 새로운 시각 판별 과제를 학습하는 과정에서 신경 집단의 정보 중복성은 감소하는가, 아니면 증가하는가?

2. 방법론 (Methodology)

• 실험 대상: 두 마리의 일본원숭이 (Rhesus macaques, Monkey R 및 Monkey G).
• 과제: 두 가지 거친 방향 판별 과제 (Coarse-orientation discrimination tasks) 수행.
  • Cardinal 과제: 0°와 90° 방향 구별.
  • Oblique 과제: 45°와 135° 방향 구별.
  • 동적 잡음 (dynamic noise) 자극을 사용하여 신호 강도 (coherence level) 를 조작했습니다.
• 데이터 수집:
  • V4 영역에 96 채널 Utah 어레이를 이식하여 집단 신경 활동 (Population activity) 을 장기간 (수주) 에 걸쳐 기록했습니다.
  • 학습 초기 (Early-learning) 와 후기 (Late-learning) 단계의 신경 반응을 비교했습니다.
  • 능동적 과제 수행 (Task-performing) 과 수동적 관찰 (Passive-viewing) 조건을 모두 포함하여 학습 효과와 주의 효과를 분리했습니다.
• 분석 지표:
  • 선형 피셔 정보 (Linear Fisher Information, $I$): 자극에 대한 정보를 정량화.
  • 중복성 ($I_{redundancy}$): 상관관계를 제거한 상태 (Shuffled trials, $I_{shuffle}$) 와 실제 상관관계를 가진 상태 ($I_{real}$) 의 피셔 정보 차이로 정의 ($I_{redundancy} = I_{shuffle} - I_{real}$).
  • 학습 지수 (Learning Index): 동물의 행동 전략이 이상적 관찰자 (Ideal Observer) 와 얼마나 일치하는지, 그리고 자극에 의해 설명되는 정도를 결합한 지표.

3. 주요 결과 (Key Results)

A. 학습에 따른 정보 중복성 증가

• 예측 반전: 고전적 관점의 예측과 달리, 과제 학습이 진행됨에 따라 신경 반응의 정보 중복성 ($I_{redundancy}$) 이 유의미하게 증가했습니다.
• 행동 수행과의 상관관계: 학습 지수가 높을수록 (행동 정확도가 좋을수록) 정보 제한적 상관관계가 더 강해졌습니다. 이는 성능 향상이 중복성 감소가 아닌, 중복성 증가와 동반됨을 의미합니다.
• 수동적 관찰과의 차이: 동일한 신경 집단에서 수동적 관찰 (과제 수행 없이 자극만 보는 상태) 시에는 학습에 따른 중복성 증가가 관찰되지 않았습니다. 이는 중복성 증가가 피드백 연결을 통한 능동적 과제 수행 (Active task engagement) 에 기인함을 시사합니다.

B. 정보의 재분배 (Redistribution) 메커니즘

• 개별 뉴런의 정보 증가: 중복성 증가가 전체 집단의 정보 ($I_{real}$) 를 감소시키는 것이 아니라, 개별 뉴런이 운반하는 한계 정보 (Marginal information, $I_{shuffle}$) 가 증가했기 때문임이 확인되었습니다.
• 계층적 베이지안 추론 모델: 연구자들은 계층적 베이지안 추론 모델을 시뮬레이션하여, 학습이 신경 집단 내에서 정보를 공유하게 하여 개별 뉴런의 정보를 증가시키고, 이로 인해 상관관계가 증가하는 현상을 설명했습니다.
• 단일 시료 내 (Within-trial) 동역학: 학습이 완료된 후, 단일 시료 (Trial) 내에서도 시간이 지남에 따라 (시각 정보 누적) 중복성이 증가하는 경향을 보였습니다. 이는 초기 프레임의 정보가 후기 프레임의 기대 (Prior) 로 작용하여 신경 활동에 통합되기 때문입니다.

C. 신경 민감도와의 관계

• 과제에 더 민감한 (High $d'$) 뉴런 집단에서 학습 후 중복성 증가가 더 두드러지게 나타났습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 이론적 패러다임 전환:

   • 신경 과학 분야에서 오랫동안 지배적이었던 "학습은 효율성을 위해 중복성을 제거한다"는 가설을 반증했습니다.
   • 대신, 생성적 추론 (Generative Inference) 프레임워크가 감각 처리를 설명하는 데 더 적합함을 실험적으로 입증했습니다. 즉, 뇌는 단순한 분류기 (Discriminator) 가 아니라, 사전 지식을 통합하여 사후 확률 (Posterior beliefs) 을 계산하는 생성 모델로 작동합니다.

2. 피드백 연결의 역할 규명:

   • 학습 중 증가하는 정보 제한적 상관관계는 '노이즈'가 아니라, 상위 영역 (의사결정 영역) 에서 하위 감각 영역으로 전달되는 작업 특이적 피드백 신호 (Task-specific feedback) 의 결과임을 시사합니다. 이는 뇌가 정보를 어떻게 재분배 (Redistribution) 하여 개별 뉴런의 정보량을 극대화하는지 보여줍니다.

3. 개별 뉴런 vs 집단 정보의 역설 해결:

   • 기존 연구에서 개별 뉴런이 행동과 유사한 수준의 정보를 담고 있다는 사실 (Neurometric threshold ≈ Psychometric threshold) 은 설명하기 어려웠습니다. 이 연구는 개별 뉴런의 정보가 다른 많은 (관측되지 않은) 뉴런들과 공유 (Redundant) 되고 있음을 보여주어, 소수의 뉴런만으로도 높은 성능을 낼 수 있는 메커니즘을 설명합니다.

4. 임상 및 공학적 함의:

   • 뇌-기계 인터페이스 (BMI) 나 인공 지능 (AI) 모델 설계 시, 단순히 잡음을 제거하고 효율성을 높이는 것뿐만 아니라, 맥락에 따른 정보의 재분배와 공유 (Redundancy) 가 학습과 적응에 필수적임을 시사합니다.

결론

이 연구는 원숭이 V4 영역의 장기 학습 데이터를 분석하여, 과제 학습이 신경 표현의 정보 중복성을 증가시킨다는 강력한 증거를 제시했습니다. 이는 뇌가 감각 정보를 처리할 때 단순한 효율성 최적화가 아니라, 생성적 추론을 통해 사전 지식을 통합하고 정보를 신경 집단 간에 공유하는 역동적인 과정을 수행함을 의미합니다.