"More Is Different'' in Neural Circuits: Algebraic Emergence of Effective Theories in Canonical Recurrent Motifs of Biological Neuronal Networks
이 논문은 승자 독식(winner-take-all) 및 분할 정규화(divisive normalization)와 같은 정형적인 신경 회로 모티프들을 합성하는 것이, 개별 비주기적 구성 요소들에는 존재하지 않는 전이 모노이드(transition monoid) 내의 창발적 유효 이론(effective theories)과 가역적 군 역학(reversible group dynamics)을 대수적으로 생성할 수 있음을 입증하며, 이를 통해 재귀적 회로의 계산적 레퍼토리가 그 구성적 인터페이스의 대수적 구조에 의해 근본적으로 제약되고 정의된다는 점을 밝히고 있다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
뇌는 반복되는 패턴으로 구축된 기계입니다. 집이 벽돌, 들보, 창문으로 건설되는 것과 마찬가지로, 우리 두개골 안의 신경 회로는 소수의 표준적인 구성 블록들로 조립됩니다. 가장 흔한 두 가지 블록은 분할 정규화(divisive normalization)와 승자 독식(winner-take-all) 경쟁으로 알려져 있습니다. 첫 번째는 모든 뉴런이 너무 크게 발화할 때 전체적인 소리를 줄여주는 볼륨 조절기처럼 작동하여, 단 하나의 신호가 다른 신호들을 압도하지 않도록 보장합니다. 두 번째는 북적이는 방 안의 심판처럼 작동하여, 오직 한 그룹의 뉴런만이 말할 수 있게 하고 나머지는 침묵하게 만듭니다. 수십 년 동안 신경과학자들은 이 블록들을 기능적 도구로 이해해 왔습니다. 하나는 활동을 재조정하고, 다른 하나는 승자를 선택하는 것입니다. 하지만 새로운 연구는 이 블록들이 연결되었을 때 어떤 일이 일어나는지에 대해 더 깊은 질문을 던집니다. 이 연구는 연결 그 자체가 두 블록 중 어느 하나도 단독으로는 갖지 못한 완전히 새로운 능력, 즉 새로운 무언가를 만들어내는지 조사합니다.
매사추세츠 공과대학교(MIT)의 니마 데가니(Nima Dehghani)가 이끄는 이 연구는 이러한 신경 회로를 단순한 생물학적 시스템이 아니라 수학적 기계로 취급합니다. 목표는 이 기계들이 어떻게 서로 연결되느냐에 따라 단일 부품에서는 발견할 수 없는 형태의 계산을 생성할 수 있는지 확인하는 것이었습니다. 이를 위해 연구진은 실제 뉴런의 복잡하고 연속적인 발화를 전원이 켜지거나 꺼지는 전등 스위치처럼 이산적인 상태(discrete states)로 단순화했습니다. 그런 다음 정규화 회로와 경쟁 회로의 디지털 모델을 구축하고 가능한 모든 입력 시퀀스를 통과시켰습니다. 연구진은 단일한 활동 경로를 관찰하는 대신, 입력이 시간에 따라 변할 때 회로가 할 수 있는 전체 지형을 매핑했습니다. 그들은 특정 종류의 행동, 즉 시스템이 이전 상태로 돌아가서 가역적인 작용의 루프를 생성할 수 있는 순환(cycle)을 찾고 있었습니다. 연구의 언어로 표현하자면, 그들은 단순히 고정된 점으로 소멸하는 것이 아니라 상태를 기억하고 순환할 수 있는 시스템의 수학적 징표인 '군(group)' 구조를 찾고 있었던 것입니다.
연구는 이 두 회로를 각각 분리하여 테스트하는 것으로 시작되었습니다. 연구진이 승자 독식 회로만을 단독으로 살펴보았을 때, 어떤 단일하고 변하지 않는 입력 하에서도 시스템은 순수하게 소산적(dissipative)이라는 것을 발견했습니다. 시스템은 항상 한 그룹의 뉴런이 승자가 되고 나머지는 침묵하는 단일하고 안정적인 상태로 가라앉았습니다. 루프도, 순환도 없었으며, 시스템이 앞으로 나아간 후에는 이전의 구성으로 돌아올 방법도 없었습니다. 이는 더 엄격하고 복잡한 형태의 정규화 회로에도 동일하게 적용되었습니다. 이 회로를 지배하는 모든 규칙은 단독으로 적용될 때 시스템을 막다른 길로 몰아넣었습니다. 그러나 연구진이 이 회로들을 결합했을 때 이야기는 바뀌었습니다. 그들은 특정 순서에 따라 서로 다른 입력들을 전환함으로써 시스템을 루프로 강제할 수 있다는 것을 발견했습니다. 모든 개별 단계가 기억을 지워버리는 일방통행이었음에도 불구하고, 단계들의 조합은 시스템이 시작점으로 돌아올 수 있게 하는 숨겨진 경로를 만들어냈습니다. 이것이 첫 번째 놀라운 사실이었습니다. 즉, 완전히 비가역적인 부분들로 이루어진 시스템이 구성을 통해 가역적인 루프를 생성할 수 있다는 것이었습니다.
가장 중요한 발견은 연구진이 두 회로를 특정 방향으로 연결했을 때 나타났습니다. 그들은 경쟁의 승자가 정규화 과정의 설정을 결정하는 구조를 만들었습니다. 이 배치에서 선택된 승자는 단순히 수동적으로 머무는 것이 아니라, 다음 순간을 위한 환경을 능동적으로 재형성했습니다. 결합된 시스템을 분석했을 때, 연구진은 어느 회로에서도 단독으로는 나타나지 않는 순환을 발견했습니다. 이 루프 안에서 승리한 뉴런 그룹의 정체는 일정하게 유지되었지만, 승자를 제어하는 억제 게이트(inhibitory gate)의 상태와 전체 이득(gain)을 조절하는 정규화 설정이라는 두 가지 요소가 함께 변화했습니다. 시스템은 승자가 활성화되어 있고 게이트가 열려 있는 상태와, 승자가 활성화되어 있지만 게이트가 닫혀 있는 상태 사이를 전환하며, 동시에 정규화 설정이 완벽하게 동기화되어 변화했습니다. 이 순환은 진정한 합성 구조였습니다. 그것은 경쟁 블록의 특징도 아니었고, 정규화 블록의 특징도 아니었습니다. 그것은 오직 두 블록이 이 특정 방식으로 결합되었기 때문에 존재하는 새로운 속성이었습니다.
이 결과가 특정 모델의 우연한 현상이 아님을 확인하기 위해, 연구진은 수천 가지의 변형을 테스트했습니다. 그들은 정규화가 경쟁의 무대를 설정하는 역순으로 회로를 연결해 보았고, 복잡한 구조는 여전히 존재하지만 가장 직접적이고 명확한 순환은 더 단순한 국소적 루프 뒤에 숨겨져 있다는 것을 발견했습니다. 또한 두 회로를 연결할 수 있는 모든 가능한 방식(65,536개의 서로 다른 인터페이스 구성)을 테스트했습니다. 그들은 승자가 정규화 설정을 영향을 미칠 수 있도록 연결된 경우라면 거의 모든 구성에서 합성 순환이 나타난다는 것을 발견했습니다. 또한 업데이트 타이밍이 중요한지도 테스트했습니다. 회로가 동시에 업데이트될 때는 순환이 업데이트 규칙 자체의 하드코딩된 특징으로 나타났습니다. 그러나 업데이트가 순차적으로 일어날 때는 순환이 순수하게 상호작용으로부터 발생했으며, 이는 이 구조가 사전 존재하는 인공물이 아니라 구성을 통한 결과임을 입증했습니다.
연구는 신경 계산의 대수(algebra)가 부분의 합보다 더 풍부하다는 결론을 내립니다. 이는 뇌의 계산 능력이 개별 회로의 개별 연산뿐만 아니라, 그 연산들이 어떻게 사슬처럼 연결되는지에 달려 있음을 보여줍니다. 정규화 블록을 경쟁 블록에 연결하는 방식을 선택함으로써, 뇌는 효과적으로 새로운 자유도를 프로그래밍할 수 있습니다. 이 새로운 자유도는 시스템이 안정적인 승자를 유지하면서 동시에 자신의 민감도를 조절할 수 있게 하여, 두 블록이 단독으로 달성할 수 있는 것보다 더 유연한 동적 상태를 만들어냅니다. 이 연구는 전체 뇌의 복잡성에 자주 적용되는 '전체는 부분의 합보다 크다(more is different)'는 원리가 신경 회로의 가장 작은 구성 단위에도 적용됨을 시사합니다. 이 블록들이 결합될 때, 그들은 개별 블록을 관찰해서는 예측할 수 없는 행동의 레퍼토리를 생성합니다. 단순한 소산적 시스템에서 가역적이고 순환적인 계산이 가능한 시스템으로의 전환은 생물학적 미스터리가 아니라, 구성의 수학적 필연성입니다. 이러한 관점에서 뇌는 단순한 부품의 집합이 아니라, 배선 자체가 코드를 작성하는 프로그래밍 가능한 시스템입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.