기술 요약: 텐서 네트워크를 이용한 아동의 정서적 기억 모델링

1. 문제 제기

인간의 기억은 사건의 정적인 재생이 아니라, 맥락, 정서적 가(valence), 그리고 시간적 순서에 민감하게 반응하는 능동적이고 재구성적인 과정이다. 고전적인 심리학 모델들은 정서적 경험이 중립적인 경험보다 더 생생하게 기억된다는 '정서적 기억 강화 효과'를 인정하지만, 시간적 기억의 복잡하고 순서 의존적인 역학을 설명하는 데는 어려움을 겪는다. 구체적으로, 표준 모델들은 다음과 같은 사항들을 가정한다:

• 독립성: 한 항목의 회상은 다른 항목들과 통계적으로 독립적이다.
• 선형성: 정서적 가(valence)는 회상 확률의 단순한 스칼라 수정치로 작용한다.
• 고정된 인코딩: 기억은 진화하는 상태가 아니라 고정된 흔적으로 저장된다.

이러한 가정들은 이전 및 후속 항목의 정서적 맥락이 특정 대상의 회상에 어떻게 영향을 미치는지 포착하지 못한다. 또한, 고전적 확률 모델은 여러 결과가 존재하는 시퀀스의 결합 확률 분포를 모델링할 때, 지수적으로 증가하는 파라미터($d^n$)를 필요로 하여 계산적으로 다루기 힘든 "차원의 저주"에 직면한다.

본 논문은 양자 영감을 받은 프레임워크, 특히 **텐서 네트워크(Tensor Networks)**가 더 적합한 수학적 구조를 제공한다고 주장한다. 양자 영감 모델은 고전적 모델과 달리 비가환성(순서 의존성), 간섭, 그리고 맥락 민감적 상태 진화를 자연스럽게 처리하며, 상관관계가 압축될 수 있다면 지수적인 파라미터 없이도 이를 수행할 수 있다.

2. 방법론

A. 실험 프로토콜

저자들은 시간적 순서 기억에 관한 데이터를 생성하기 위해 50명의 아동(4~11세)을 대상으로 연구를 수행했다.

• 자극: 5개의 장난감이 각 시행(trial)에서 순차적으로 제시되었다. 장난감은 긍정적(시각적으로 매력적인 액션 피규어 등) 또는 중립적(단순한 나무 블록)으로 분류되었다.
• 절차: 아동들은 5개의 장난감 시퀀스를 순서대로 관찰하였고(각 10초), 이후 상자 안에 담긴 7개의 아이템(대상 5개 + 미끼 2개) 중에서 원래의 순서대로 선택하여 배열하도록 요청받았다.
• 설계: 정서적 가(Valence, 긍정 vs 중립)와 반복(초기 제시 vs 지연 후 재제시)을 조작하는 2x2 피험자 내 설계(within-subjects design)를 사용하였다.
• 데이터 수집: 50명의 참가자는 최대 10번의 시행을 완료했다. 데이터에는 대상 선택 정확도, 순서 정확도, 응답 시간이 포함되었다.

B. 고전적 분석

초기 분석에는 반복 측정 ANOVA와 t-검정이 사용되었다.

• 결과: 긍정적 가를 가진 대상은 중립적 대상보다 더 높은 정확도와 더 나은 시간적 순서 회상력을 보였다. 그러나 표준 통계 도구는 사건의 본질적인 순서 의존성을 입증하는 데 실패했으며, 노이즈가 높은 평균 차이만을 보여주었다. 고전적 선형 모델은 사건을 적절히 모델링하지 못해 낮은 정확도를 기록했다.

C. 텐서 네트워크 모델링

저자들은 결합 확률 분포를 인수분해하기 위해 **행렬 곱 상태(Matrix Product States, MPS)**라는 유형의 텐서 네트워크를 사용하는 세 가지 단계적 모델을 개발했다.

1. 큐비트 모델 (이진 모델):

   • 상태 공간: 각 아이템 $i$는 이진 변수이다: $|0\rangle$ (오답) 또는 $|1\rangle$ (정답).
   • 구조: 5개 아이템의 결합 확률을 나타내는 5차 텐서.
   • 방법: 실험적 빈도로부터 텐서를 구성하고(희소성을 처리하기 위해 Laplace smoothing 적용), 순차적 특이값 분해(SSVD)를 통해 MPS로 인수분해하였다.
   • 예측: 과거의 관찰에 조건화하고 미래의 사이트를 주변화(marginalizing)하여 미래 아이템을 예측한다.

2. 큐트릿 모델 (3상 모델):

   • 상태 공간: 다음을 구분하도록 확장되었다:
     • $|0\rangle$: 완전히 잊혀졌거나 틀린 아이템.
     • $|1\rangle$: 아이템은 맞으나 위치가 틀림.
     • $|2\rangle$: 아이템과 위치가 모두 맞음.
   • 과제: 이는 상태 공간을 $2^5$ (32)에서 $3^5$ (243)로 증가시켜 데이터 희소성 문제를 악화시켰다.

3. 가치 프라이밍 큐트릿 모델 (복합 상태):

   • 혁신: 이 모델은 **정서적 가(valence)**를 텐서 네트워크의 물리적 인덱스에 명시적으로 인코딩한다.
   • 상태 공간: 각 사이트는 복합 상태 $|v_i, s_i\rangle$를 나타낸다. 여기서 $v_i \in \{0, 1\}$ (중립/긍정)이고 $s_i \in \{0, 1, 2\}$ (회상 결과)이다. 이는 6차원 로컬 공간($2 \times 3$)을 생성한다.
   • 메커니즘: 모델은 정서적 가를 회상 상태를 조건화하는 "프라이밍(priming)" 단계로 취급한다. 예측 시, 대상 아이템의 알려진 가(valence)를 사용하여 텐서를 관련 3차원 회상 부분 공간으로 투영한 후 확률을 평가한다. 이를 통해 네트워크는 정서적 맥락과 회상 결과를 동시에 결합된 분포로 학습하게 된다.

3. 주요 결과

A. 모델 성능

• 큐비트 모델: 전체 시퀀스 정확도는 **48.96%**로, 이진 무작위 추측 기준인 50%에도 미치지 못했다. 심각한 클래스 불균형으로 인해 대부분의 아이템에 대해 "오답"을 예측하는 경향을 보였다.
• 큐트릿 모델: 정확도가 **22.71%**로 떨어졌다. 이 모델은 "순서가 틀린" 회상을 예측하는 데 실패했다(F-score: 0.00). 이는 극심한 데이터 희소성(243개의 가능한 시퀀스 대비 404회의 시행)과 소수 클래스의 조건부 분포를 학습하지 못한 결과이다.
• 가치 프라이밍 큐트릿 모델: 전체 시퀀스 정확도 **77.98%**를 달성했다.
  • "순서가 틀린" 클래스(F1-score: 0.618)와 다수 클래수인 "순서가 맞는" 클래스를 성공적으로 예측했다.
  • 정확도는 시퀀스 위치에 관계없이 균일하게 나타났다(~70-78%). 이는 이전 모델들이 첫 번째 아이템 이후 급격한 하락을 보였던 것과 대조적이다.

B. 구조적 분석 (결합 차원)

• 큐비트/큐트릿: 특이값 감소가 매우 빨랐고 결합 차원이 낮았다. 이는 모델들이 복잡한 의존성을 포착하기보다는 단순히 다수 클래스를 암기하고 있음을 시사한다.
• 가치 프라이밍: 경험적 결합 차원이 크게 상승하였고(예: [6, 22, 24, 6]), 특이값의 감소가 더 완만했다. 이는 가치 조건화 모델이 아이템 간의 풍부하고 비자명한 상관관계("얽힘")를 성공적으로 포착했음을 나타낸다.
• 임계값 민감도: 단순 모델들과 달리, 가치 프라이밍 모델은 SVD 절단 임계값을 $10^{-2}$ 이상으로 높였을 때 정확도가 저하되었다. 이는 높은 차수의 특이값들이 단순한 노이즈가 아니라, 가치와 순서 사이의 상호작용에 관한 실제적인 예측 정보를 포함하고 있음을 확인해 준다.

C. 가치(Valence)에 대한 경험적 관찰

확률 랜드스케이프는 정서적 가가 단순한 스칼라 수정치가 아니라 구조적 변수임을 드러냈다.

• 긍정-중립: 긍정적 아이템 뒤에 중립적 아이템이 오는 경우, 중립적 아이템의 회상 실패로 이어지는 경우가 많았다. 이는 긍정적 아이템이 주의 자원을 소모했음을 시사한다.
• 중립-긍정: 중립적 아이템 뒤에 긍정적 아이템이 오는 경우, 긍정적 아이템은 잘 회상되었다. 이는 정서적 기억 강화 효과와 일치한다.
• 긍정-긍정: 연속적인 긍정적 아이템은 경쟁적인 인코딩 요구를 생성하여, 두 번째 아이템의 회상력을 감소시켰다.

4. 의의 및 주장

본 논문은 가치 프라이밍 텐서 네트워크가 인간 기억의 순서 의존적 현상을 모델링하는 데 있어 양자 영감 방식의 효용성을 입증한다고 주장한다.

• 고전적 모델에 대한 우월성: 가치를 외부 변수가 아닌 구조적 구성 요소로 포함함으로써 정확도가 대폭 향상된 것(약 23%에서 78%로)은, 독립성이나 선형적 인코딩을 가정하는 고전적 모델이 이 과업에 부적합함을 시사한다.
• 맥락 민감성: 결과는 기억이 고정된 기억 흔적을 강화하는 것이 아니라, 사건의 정서적 맥락이 후속 회상의 확률 구조를 재형성하는 동적이고 상태 의존적인 과정이라는 견해를 뒷받침한다.
• 양자 인지 프레임워크: 이 연구는 발달 심리학 분야에서 양자 인지 프레임워크에 대한 예비적인 행동적 근거를 제공한다. 이는 아동의 시간적 기억이 텐서 네트워크의 힐베르트 공간 구조로 자연스럽게 포착될 수 있는 간섭 효과와 비가환적 의존성을 포함하고 있음을 시사한다.
• 새로운 도구: 본 실험 프로토콜은 정서적 시간적 기억을 탐구할 수 있는 새로운 도구를 도입하였으며, 이는 고전적 모델과 양자 유사 인지 모델 모두에 의해 분석될 수 있다.

저자들은 본 연구가 단일 데이터셋, 잠재적 데이터 희소성, 아동용 정서적 장난감 데이터베이스의 검증 부족 등의 한계가 있음을 언급하며 신중한 태도를 유지한다. 그들은 뇌의 양자 물리적 과정을 증명하려는 것이 아니라, 양자 역학의 수학적 구조(힐베르트 공간, 중첩, 간섭)가 관찰된 인지 행동을 모델링하는 데 있어 더 일관되고 정확한 프레임워크를 제공한다는 점을 강조한다.