Associative Emotional Learning in Convolutional Neural Networks

뇌의 감정 치트키

여러분의 뇌가 매초 여러분의 삶 속에서 미스터리를 풀기 위해 노력하는 아주 똑똑한 탐정이라고 상상해 보세요. 뇌의 가장 중요한 임무 중 하나는 무엇이 자신에게 좋은 것인지(따뜻한 포옹이나 피자 한 조각처럼) 그리고 무엇이 나쁜 것인지(윙윙거리는 벌이나 미끄러운 바나나 껍질처럼) 파악하는 것입니다. 특정한 소리나 모양 같은 중립적인 대상을 즐거움이나 공포라는 감정과 연결하는 이 능력을 **연합적 정서 학습(associative emotional learning)**이라고 부릅니다. 이것은 여러분이 치과 의자의 모습을 보기도 전에 치과 드릴 소리만 들어도 약간의 긴장감을 느끼는 이유인데, 이는 여러분의 뇌가 과거의 나쁜 경험과 그 소리를 연결하는 법을 배웠기 때문입니다. 과학자들은 이 과정이 어떻게 작동하는지 이해하기 위해 컴퓨터 모델을 구축하려고 노력해 왔지만, 기존의 모델들은 마치 단순한 계산기와 같았습니다. 수학은 잘 풀 수 있었지만, 인간처럼 세상을 실제로 '보는' 방식은 구현하지 못했습니다. 기존 모델들은 복잡하고 무질서한 이미지를 어떻게 처리하여 감정으로 변환하는지를 설명하는 데 어려움을 겪었습니다.

여기에 **딥러닝(Deep Learning)**이 등장합니다. 딥러닝은 우리의 눈과 뇌에 있는 시각 피질처럼 패턴을 인식하기 위해 디지털 '뉴런' 층을 사용하는 인공지능의 한 종류입니다. 이러한 네트워크는 사진 속의 고양이를 찾아내거나 손글씨를 읽는 데 탁면합니다. 하지만 과연 이들이 '느낌'을 배울 수 있을까요? 실제 감정이 없는 컴퓨터가, 단지 어떤 무서운 사진과 함께 제시되었다는 이유만으로 지루한 모양을 '무섭다'고 여기도록 학습할 수 있을까요? 이것이 바로 연구자들이 던지는 핵심 질문입니다. 만약 우리가 컴퓨터에게 인간과 같은 방식으로 감정을 배우도록 가르칠 수 있다면, 우리는 마침내 우리 마음의 숨겨진 메커니즘을 이해하게 될 것이며, 왜 어떤 사람들이 공포의 굴레(불안 장애나 PTSD와 같은)에 갇히게 되는지, 그리고 어떻게 그 굴레에서 벗어나도록 도울 수 있는지 알아낼 수 있을 것입니다.

---

디지털 뇌가 감정을 배우다

이 연구에서 연구진은 인간처럼 감정을 배울 수 있는지 확인하기 위해 특별한 컴퓨터 뇌를 구축했습니다. 그들은 **시각-가치 모델(Visual-Valence Model)**이라는 모델을 만들었습니다. 이 모델을 두 가지 주요 부분으로 생각하면 쉽습니다. 하나는 눈 역할을 하는 '시각 피질'이고, 다른 하나는 뇌의 감정 중심부(구체적으로는 편도체와 안와전두피질) 역할을 하는 '감정 모듈'입니다. 모델을 더욱 현실적으로 만들기 위해, 연구진은 '지름길' 연결을 추가했습니다. 이것은 눈이 상세한 사진을 찍는 것을 완료하기 전에, 눈이 장면의 빠르고 거친 스케치를 감정 중심부로 보낼 수 있게 해주는 급행 차선과 같습니다. 이는 우리의 실제 뇌가 상황을 완전히 이해하기도 전에 위험에 먼저 반응하는 방식을 모방한 것입니다.

먼저, 연구진은 이 디지털 뇌에게 무엇이 '좋은 것'이고 '나쁜 것'인지 가르쳐야 했습니다. 그들은 **국제 정서적 사진 시스템(IAPS)**에서 가져온 수천 장의 실제 사진들을 보여주었습니다. 이 사진들은 매우 즐거운 것(강아지나 노을처럼)이거나 매우 불쾌한 것(거미나 더 더러운 변기처럼)으로 유명합니다. 컴퓨터는 이 이미지들에 대해 '가치(valence)' 점수를 예측하는 법을 배웠는데, 이는 1(극도로 불쾌함)에서 9(극도로 즐거움) 사이의 숫자이며 5는 중립을 의미합니다. 훈련을 마친 후, 컴퓨터는 사진을 보고 "이것은 2점, 즉 나쁘다"라거나 "이것은 8점, 즉 아주 좋다!"라고 말할 수 있게 되었습니다.

그다음은 진짜 마술 같은 단계인 **파블로프 조건 형성(Pavlovian Conditioning)**이었습니다. 여러분은 종소리가 들리면 개가 침을 흘리는 유명한 실험을 통해 이를 알고 있을 것입니다. 여기서 연구진은 중립적인 물체인 **가보 패치(Gabor patch)**를 사용했습니다. 가보 패치는 마치 오래된 TV의 노이즈처럼 보이는 흐릿하고 줄무늬가 있는 원이라고 상상해 보세요. 이 패치 자체는 지루하며 아무런 정서적 의미가 없습니다. 연구진은 45도 기울어진 줄무늬 패치를 '불쾌한' 사진(총이나 거미 등)과 짝을 지었고, 135도 기울어진 줄무서 패치를 '즐거운' 사진(가족 사진이나 강아지 등)과 짝을 지었습니다. 그리고 이 쌍들을 컴퓨터에게 반복해서 보여주었습니다.

결과는 놀라웠습니다. 이 쌍들을 몇 번 보고 난 후, 컴퓨터는 이 지루한 줄무늬에 대한 생각을 바꾸기 시작했습니다. 45도 패치만을 단독으로 보여주었을 때, 컴퓨터는 갑자기 이를 불쾌한 것(약 2.3점)으로 평가했습니다. 반면 135도 패치를 단독으로 보여주었을 때는 이를 즐거운 것(약 8.0점)으로 평가했습니다. 컴퓨터는 중립적인 줄무늬를 그것과 짝지어졌던 사진의 감정과 연관시키는 법을 배웠으며, 이는 인간이 하는 방식과 똑같았습니다.

하지만 컴퓨터가 단순히 사진을 통째로 암기한 것일까요, 아니면 정말로 학습한 것일까요? 연구진은 일반화(generalization) 실험을 통해 이를 테스트했습니다. 그들은 컴퓨터에게 본 적 없는 각도인 30도나 60도의 줄무늬를 보여주었습니다. 컴퓨터의 반응은 '훈련된' 각도에서 멀어질수록 부드럽게 사라졌습니다. 만약 45도에서 훈련받았다면, 30도 줄무늬는 약간 무섭게 느껴졌지만, 90도 줄무늬는 중립적으로 느껴졌습니다. 이 '사라지는' 효과는 인간에게서 일어나는 현상과 정확히 일치하며, 이는 컴퓨터가 단순히 픽셀을 암기한 것이 아니라 실제로 하나의 개념을 학습했음을 시사합니다. 또한 연구진은 줄무늬의 위치가 중요한지도 테스트했습니다. 줄무늬를 훈련받지 않은 화면의 다른 구석으로 옮겼을 때도 컴퓨터는 여전히 감정을 느꼈지만, 훈련받은 곳에서 효과가 가장 강력했습니다.

컴퓨터가 어떻게 학습했는지 이해하기 위해, 연구진은 내부의 개별 디지털 뉴런을 들여다보았습니다. 그들은 학습 전에는 무서운 사진에 반응하는 뉴런과 지루한 줄무늬에 반응하는 뉴런이 서로 달랐다는 것을 발견했습니다. 하지만 학습 후에는 45도 줄무늬에 반응하는 뉴런이 무서운 사진에 반응하는 뉴런과 점점 더 닮아가고 비슷하게 행동하기 시작했습니다. 컴퓨터는 중립적인 것을 정서적인 것과 같이 보이도록 자신의 내부 지도를 물리적으로 재형성한 것입니다.

연구진은 또한 이 '지름길' 경로가 결정적이었다는 사실을 발견했습니다. '급행 차선' 연결을 제거했을 때, 컴퓨터는 정서적 연합을 학습하는 데 실패했습니다. 이는 초기 시각에서 감정 중심부로 가는 직접적이고 빠른 경로를 갖는 것이 이러한 종류의 학습이 일어나기 위한 핵심임을 시사합니다.

그러나 연구진은 이 연구가 하지 못한 부분에 대해서도 주의 깊게 언급합니다. 컴퓨터는 실제로 무언가를 '느낀' 것이 아니라 단지 숫자를 계산했을 뿐입니다. 컴퓨터 뇌의 시각적인 부분은 학습 과정 동안 '고정'되어 있었는데, 즉 학습 중에 감정 부분만 변했을 뿐 시각 체계 자체는 변하지 않았습니다. 실제 인간의 뇌는 눈(시각 체계) 또한 변화시킬 수 있지만, 이 모델은 그것을 테스트할 수 없었습니다. 또한 컴퓨터는 '망각(소거, extinction)'—즉, 어떤 것이 안전하다는 것을 깨달았을 때 공포를 멈추는 과정—을 수행하는 방법이 없었습니다.

결론적으로, 이 연구는 딥 뉴럴 네트워크가 적절한 지름길과 적절한 정서적 규칙을 가지고 구축된다면 인간이 감정적 기억을 형성하는 방식을 모방할 수 있음을 시사합니다. 이는 우리가 감정적 연합을 배우기 위해 마법 같은 '영혼'이 필요한 것이 아니라, 단지 적절한 층 구조와 지름길이 연결된 아키텍처가 필요할 수도 있다는 것을 보여줍니다. 비록 이것은 시뮬레이션이며 실제 인간의 뇌는 아니지만, 과학자들이 우리의 마음이 주변 세계를 어떻게 깊은 감정과 연결하는지 탐구할 수 있는 강력한 새로운 도구를 제공합니다.