A Drosophila Whole-Connectome Network Can Learn Human-Designed Cognitive Tasks
이 연구는 수컷 초파리의 고정된 해부학적 신경 연결망이 유계 덧셈 및 접지된 관계 언어와 같이 인간이 설계한 인지 과업을 학습하기 위한 효과적인 계산 기질로서 기능하며, 무작위로 재구성된 네트워크보다 성능 면에서 현저히 우수함을 입증한다.
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
인간의 뇌는 종종 알려진 우주에서 가장 복잡한 물체로 묘사되곤 한다. 이는 우리가 생각하고, 움직이고, 말할 수 있게 해주는 수십억 개의 세포가 얽힌 뒤엉킨 그물망이다. 수십 년 동안 과학자들은 이 배선을 지도화하기 위해 노력해 왔으며, 어떤 뉴런이 어떤 뉴런과 연결되어 있는지를 정확히 보여주는 커넥톰(connectome)이라는 상세한 도표를 만들어 왔다. 이러한 지도들은 보통 뇌가 어떻게 신체를 제어하는지, 예를 들어 초파리가 꽃을 어떻게 보는지 또는 인간이 컵을 어떻게 들어 올리는지와 같은 방식을 이해하기 위해 연구된다. 하지만 새로운 탐구 방식은 더 대담한 질문을 던진다. 만약 뇌의 물리적 배선도를 가져와 컴퓨터 프로그램의 골격으로 사용한다면, 그 프로그램이 생명체가 결코 진화시키지 못한 것들을 학습할 수 있을까? 이는 생물학적 연결의 특정한 형태가 무작위적인 연결은 갖지 못한 비밀스러운 힘을 지니고 있는지에 대한 시험이다.
한국과학기술원(KAIST)의 연구진은 이 아이디어를 검증하기 위해 단 한 마리의 수컷 초파리의 완전한 신경계를 사용하기로 결정했다. 그들은 166,000개 이상의 뉴런과 약 2,600만 개의 연결을 포함하고 있는 이 초파리의 공개된 뇌 지도를 가져와 인공 신경망의 고정된 구조로 사용했다. 그들은 초파리의 실제 사고나 움직임을 시뮬레이션하려고 시도하지 않았다. 대신, 이 생물학적 골격이 초-파와는 전혀 상관없는 두 가지 과업, 즉 숫자를 더하는 것과 감각 사건에 관한 간단한 언어를 이해하는 것을 학습하도록 훈련했다. 첫 번째 과업에서 네트워크는 두 숫자를 더하는 법을 배워야 했으며, 이때 합계는 100을 넘지 않았다. 두 번째 과업에서 네트워크는 강한 압박이 다리에 가해진 후 약한 움직임이 발생하는 것과 같은 두 가지 물리적 감각에 대한 설명을 듣고, 설령 사건의 순서가 뒤바뀌더라도 그 설명을 해당 사건과 정확히 일치시켜야 했다.
초파리의 특정한 배선이 중요한지를 확인하기 위해, 과학자들은 대조군을 만들었다. 그들은 동일한 수의 뉴한과 연결을 사용하되, 각 뉴런이 가진 연결의 개수만 동일하게 유지한 채 링크들을 무작위로 섞었다. 이를 통해 통계적으로는 유사해 보이지만 실제 초파리의 진화된 경로를 결여한 '재배선된(rewired)' 뇌를 생성했다. 연구진이 실제 초파리 네트워크를 덧셈 과업에 훈련시켰을 때, 이 네트워크는 높은 정확도로 성공했으며, 한 번도 본 적 없는 새로운 문제들에 대해 거의 93%의 정답률을 보였다. 반면 무작위로 재배선된 네트워크들은 상당한 어려움을 겪었으며, 약 68%의 정확도만을 기록했다. 이 차이는 상당했으며, 이는 초파리가 수학을 수행하지 않음에도 불구하고, 초파리 뇌의 특정한 배열이 수학 학습을 위한 숨겨진 이점을 제공한다는 점을 시사했다.
결과는 언어 과업에서 더욱 놀라웠다. 여기서 네트워크는 감각 입력을 단어와 연결해야 했으며, 특정 신호 패턴이 '강한 압박'을 의미하고 이것이 '약한 움직임' '전'에 일어났음을 학습해야 했다. 연구진은 결과가 특정 설정에 의한 우연이 아님을 보장하기 위해, 감각 정보가 들어오는 위치와 단어가 나오는 위치를 변경하며 네 가지 방식으로 네트워크를 테스트했다. 이 모든 테스트에서 실제 초파리 뇌를 기반으로 한 네트워크는 재배선된 버전들을 일관되게 능가했다. 장면과 그 설명을 정확히 짝짓고, 또한 역순의 장면과 역순의 설명을 짝지어야 하는 가장 어려운 테스트에서, 실제 뇌는 약 62%의 점수를 기록한 반면, 무작위 버전들은 평균 44%를 기록했다. 20개의 서로 다른 무작위 재배선 모델을 포함한 더 큰 비교 실험에서, 실제 초파리 뇌는 모든 무작위 모델을 제치고 1위를 차지했다.
결정적으로, 이 연구는 이러한 이점이 단순히 적절한 수의 연결을 갖는 것 때문이 아님을 보여주었다. 연구진은 실제 뇌의 성공이 감각 입력과 그 입력이 연결된 뇌의 특정 부위 사이의 정렬(alignment)에 크게 의존한다는 것을 발견했다. 연구진이 감각 신호를 뒤섞어 입력이 뇌의 자연스러운 배선과 더 이상 일치하지 않게 만들었을 때, 실제 뇌의 성능은 약 61%에서 19%로 급락했다. 이는 뇌의 구조가 단순히 학습을 위한 일반적인 용기가 아니라, 입력의 물리적 위치가 매우 중요한 특화된 기계임을 증명했다. 특정한 정렬이 결여된 무작위 네트워크들은 혼란으로부터 회복할 수 없었다.
이러한 발견은 뇌가 어떻게 배선되어 있는지가 효율적으로 문제를 해결하는 데 도움을 주는 재사용 가능한 청사진, 즉 귀납적 편향(inductive bias)을 포함하고 있음을 시사한다. 이것이 초파리 뇌가 무엇이든 할 수 있는 범용 컴퓨터라는 뜻은 아니다. 네트워크는 여전히 처음부터 훈련되어야 했으며, 올바른 감각 입력 없이는 학습할 수 없었다. 그러나 이 연구는 생물학적 연결의 배열이 단순히 동물의 과거를 기록한 것이 아니라, 인간이 설계한 인지 과업을 위해 재목적화될 수 있는 기능적 구조임을 보여준다. 초파리가 세상을 항해하기 위해 진화시킨 특정한 경로들이 산술이나 언어를 배우려는 컴퓨터에게도 유리한 출발점을 제공한다는 이 발견은, 생물학적 배선이 원래 진화한 행동에만 유용하다는 관념에 도전한다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.