Unifying spatial and episodic representations in the hippocampus through flexible memory use

이 논문은 해마의 주요 기능이 공간 표현이 아니라 에피소드 기억의 저장과 회상에 있으며, 이를 통해 다양한 과업에 필요한 변수를 유연하게 표현하는 계산 모델이 공간 표현을 자연스럽게 생성해 낸다는 주장을 제시합니다.

핵심

이 논문은 뇌과학의 오랜 수수께끼 중 하나를 풀기 위한 흥미로운 시도를 담고 있습니다. 바로 **"해마 (Hippocampus)"**라는 뇌 부위가 왜 사람에게는 '일화 기억 (어제 저녁에 뭐 먹었는지 같은 개인적인 경험)'을 담당하는 반면, 쥐나 박쥐 같은 다른 동물에게는 주로 '공간 감각 (어디에 있는지, 어떻게 갈지)'을 담당하는지입니다.

저자들과 연구팀은 이 두 가지 기능을 하나로 통합하는 새로운 가설을 제시했습니다. **"해마의 진짜 주임은 '기억'이고, 공간 감각은 그 기억을 잘 활용하기 위해 생겨난 부산물이다"**라는 것입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🧠 해마: 만능 '기억 클라우드' 저장소

상상해 보세요. 해마는 마치 최신형 스마트폰의 클라우드 저장소와 같습니다.

• 기존의 생각: 사람들은 해마를 '지도 앱'으로만 생각했습니다. 쥐가 미로를 돌아다닐 때 해마가 "여기는 왼쪽, 저기는 오른쪽"이라고 지도를 그려주는 역할만 한다고 믿었던 거죠.
• 이 논문의 주장: 하지만 해마는 사실 모든 종류의 정보를 저장하고 꺼내 쓸 수 있는 만능 클라우드입니다. 공간 정보도 저장되지만, 그것은 단지 '어디에 있는지'를 기억해야 할 때만 특별히 강조될 뿐입니다.

🎮 실험: 똑똑한 AI 로봇의 학습 과정

연구팀은 이 가설을 증명하기 위해 **AI 로봇 (컴퓨터 모델)**을 만들었습니다. 이 로봇은 해마처럼 정보를 한 번 보고 바로 저장하고, 나중에 필요할 때 꺼내 쓰는 능력을 스스로 학습하도록 훈련시켰습니다.

1. 기억력 테스트 (일상적인 기억)

먼저 로봇에게 숫자나 글자 이미지를 보여주고, 나중에 그 이미지를 다시 그리거나 다음 순서를 맞히는 게임을 시켰습니다.

• 결과: 로봇은 마치 인간의 뇌에서 발견되는 **'개념 세포 (Concept Cell)'**처럼, 특정 숫자나 글자만 인식하는 전문적인 신경 세포들을 스스로 만들어냈습니다. 즉, 공간이 아니어도 해마는 복잡한 개념을 기억할 수 있다는 뜻입니다.

2. 미로 찾기 테스트 (공간 기억)

이제 로봇을 미로에 넣었습니다. 목표 지점을 찾아야 하는 과제였죠.

• 놀라운 발견: 로봇은 단순히 "여기가 목표지"라고만 기억한 게 아니었습니다. 목표 지점과 현재 위치 사이의 **기하학적 관계 (각도, 거리)**를 계산하는 복잡한 수학적 연산을 기억 속에서 수행했습니다.
• 비유: 마치 우리가 길을 찾을 때 단순히 "저기 저 건물"이라고 외우는 게 아니라, "내 위치에서 북동쪽으로 500m 가면 돼"라고 **벡터 (방향과 거리)**를 계산하는 것과 같습니다. 로봇은 이 복잡한 계산까지 기억 시스템 안에서 스스로 터득했습니다.

3. '바코드' 현상 (기억과 공간의 결합)

최근 연구에서 새들이 씨앗을 숨기는 장소를 기억할 때, 같은 장소라도 '씨앗을 숨긴 순간'과 '씨앗을 찾아낸 순간'의 뇌 활동 패턴이 달랐습니다. 이를 **'바코드'**라고 부릅니다.

• 로봇의 학습: 연구팀의 로봇도 똑같은 일을 했습니다. 같은 장소에 가더라도 '무엇을 하느냐 (씨앗 숨기기 vs 찾기)'에 따라 뇌의 신호 패턴이 달라졌습니다.
• 해석: 이는 해마가 단순히 '장소'를 기억하는 게 아니라, **'그 장소에서 일어난 특정 사건'**을 바코드처럼 고유하게 저장한다는 뜻입니다.

💡 핵심 결론: 공간은 특별하지 않다

이 논문의 가장 중요한 메시지는 다음과 같습니다.

"해마는 '공간'을 위해 존재하는 게 아니라, '과제를 해결하기 위해 필요한 모든 것'을 저장하기 위해 존재한다."

• 쥐가 미로를 돌아다닐 때 해마가 공간 지도를 그리는 이유는, 그 동물에게 가장 중요한 과제가 '길을 찾는 것'이기 때문입니다.
• 만약 쥐가 미로 대신 '음식 냄새를 기억하는 게임'을 한다면, 해마는 공간 지도 대신 '냄새 지도'를 그렸을지도 모릅니다.
• 즉, **공간 감각은 해마의 고유한 기능이 아니라, 생존을 위해 공간 정보를 기억해야 할 때 자연스럽게 나타나는 '기능적 부산물'**입니다.

🌟 한 줄 요약

해마는 모든 것을 기억하는 만능 도서관입니다. 우리가 그 도서관에서 '지도'를 자주 찾는 이유는 우리가 길을 찾아야 하는 과제를 풀고 있기 때문일 뿐, 도서관 자체가 지도를 만들기 위해 지어진 것은 아닙니다. 이 연구는 해마가 얼마나 유연하고 똑똑한 기억 장치인지, 그리고 우리가 알고 있던 공간 감각이 사실은 기억 시스템의 놀라운 적응 능력의 결과임을 보여줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 논쟁: 해마의 기능에 대해 두 가지 주요 관점이 대립하고 있습니다.
  1. 공간적 관점: 해마는 주로 공간 탐색 (Place cells, Grid cells 등) 을 담당하며, 인지 지도 (Cognitive Map) 를 형성한다는 이론.
  2. 기억적 관점: 해마는 일화 기억 (단 한 번의 경험을 인코딩하고 나중에 검색하는 능력) 을 담당한다는 이론.
• 연구의 목적: 기존 연구들은 이 두 관점을 통합하려는 시도가 부족했습니다. 이 논문은 **"해마의 주된 기능은 일화 기억을 저장하고 검색하는 것이며, 공간적 표현은 이 기억 기능을 수행하는 과정에서 자연스럽게 발현 (Emerge) 되는 것"**이라는 가설을 검증하고자 합니다.

2. 방법론 (Methodology)

• 모델 아키텍처:
  • Fast Weight Memory (FWM) 모델 기반: 장기 기억 (LTM) 저장소로 작용하는 가중치 행렬을 가진 메모리 증강 신경망 (MANN) 을 사용했습니다.
  • 구성 요소:
    • CNN: 시각 입력 (이미지 또는 환경 뷰) 을 전처리.
    • LSTM: 단기 기억 및 메모리 제어기 역할.
    • FWM Matrix: 헤비안 (Hebbian) 학습 규칙을 기반으로 한 '쓰기 (Writing)'와 '읽기 (Reading)' 메커니즘을 통해 정보를 저장 및 검색.
    • Downstream Network (DS): LSTM 출력과 메모리 읽기 값을 결합하여 최종 출력 (행동 또는 이미지 재구성) 생성.
  • 학습 방식:
    • 기억 과제: 지도 학습 (Supervised Learning) 사용.
    • 공간 탐색 과제: 강화 학습 (Reinforcement Learning, PPO 알고리즘) 사용.
• 실험 과제:
  1. 자회상 (Auto-associative) 및 이회상 (Hetero-associative) 기억 과제: 이미지 재구성 및 시퀀스 예측.
  2. 공간 탐색 (Guidance) 과제: 보이지 않는 목표 위치를 한 번 학습한 후 다양한 환경에서 목표까지 이동.
  3. 캐싱 (Caching) 과제: 특정 위치에 먹이를 저장하고 나중에 찾아오는 과제 (Barcoding 현상 모사).
  4. 모핑 (Morphing) 실험: 정사각형과 원형 미로 사이의 형태 변화에 따른 신경 표현의 변화 분석.

3. 주요 결과 (Key Results)

3.1. 기억 과제의 성공적 수행 및 개념 세포 (Concept Cells) 유사성

• 모델은 한 번의 경험으로 정보를 저장하고, 유사한 단서 (Cue) 를 통해 정확한 이미지를 재구성하거나 다음 시퀀스를 예측하는 데 성공했습니다.
• 키 (Key) 와 값 (Value) 의 분리: 메모리 행렬에서 '쓰기 키 (Writing Key)'는 이미지의 **범주적 의미 (Semantic)**를 인코딩하여 '개념 세포 (Concept cells)'와 유사한 선택적 반응을 보였습니다. 반면 '쓰기 값 (Writing Value)'은 감각적 세부 사항 (Sensory details) 을 인코딩했습니다. 이는 해마가 의미와 감각 정보를 분리하여 처리할 수 있음을 시사합니다.

3.2. 공간 표현의 발현과 어트랙터 역학 (Attractor Dynamics)

• 모핑 실험 재현: 정사각형과 원형 미로 사이의 형태 변화 실험에서, 모델은 실험적 관찰 (Colgin et al., 2010) 과 일치하는 결과를 보였습니다.
  • 단일 위치 조건: 환경이 연속적으로 변할 때 신경 표현도 연속적으로 변화.
  • 이중 위치 조건: 환경이 물리적으로 분리되어 있을 때 신경 표현이 급격히 전환 (Abrupt shift) 되는 어트랙터 역학 유사 현상 발생.
• 의미: 모델은 어트랙터 네트워크가 아니지만, 과제의 요구사항 (환경 구분 필요성) 에 적응하는 과정에서 이러한 역학이 자연스럽게 발현되었습니다.

3.3. 바코드 (Barcode) 와 일화 기억의 연결

• Chettih et al. (2024) 실험 모사: 같은 공간에서 다른 사건 (저장 vs 회수) 이 발생할 때, 해마 CA1 신경 세포가 공간 코드와 별개로 사건 특이적인 '바코드'를 생성한다는 실험 결과를 재현했습니다.
• 메커니즘: 모델은 에이전트 위치와 목표 위치가 동시에 일치하는 사건 (캐싱) 에 대해 고유한 신경 패턴 (바코드) 을 생성했습니다. 이는 여러 잠재 변수 (위치, 목표, 사건 유형) 가 복합적으로 선택적 (Mixed Selectivity) 으로 인코딩될 때 발생하며, 공간적 거리만으로는 설명되지 않는 높은 상관관계를 보입니다.

3.4. 목표 벡터 세포 (Goal-Vector Cells) 의 기하학적 계산

• 기하학적 계산의 발현: 모델은 목표 위치를 절대적 좌표 (Allocentric) 로 저장했다가, 검색 시 현재 위치와 결합하여 **자신 중심의 목표 위치 (Egocentric Goal Position)**를 계산하는 복잡한 기하학적 연산을 수행했습니다.
• 비유: 읽기 키 (Reading Key) 와 쓰기 값 (Writing Value) 의 기하학적 구조가 내적곱 (Dot product) 을 통해 목표까지의 거리와 방향을 계산하게 되어, 박쥐 실험에서 관찰된 '목표 방향 세포' 및 '목표 거리 세포'와 유사한 튜닝 특성이 나타났습니다.

3.5. 공간 이동의 제약과 방향성

• 이산적 그리드 (Discrete Grid) 환경에서는 방향 (Head Direction) 에 따라 위치 세포의 발화율이 크게 변하는 '혼합 (Conjunctive)' 표현이 나타났으나, **연속적 상태 공간 (Continuous State Space)**에서는 방향에 무관한 안정적인 위치 세포 (Place Cells) 가 발현되었습니다. 이는 공간 표현이 환경의 제약과 행동 요구에 민감하게 반응함을 보여줍니다.

4. 기여 및 의의 (Contributions & Significance)

1. 통합적 관점 제시: 해마의 공간적 기능과 기억적 기능을 대립되는 개념이 아닌, **"기억이 주된 기능이고 공간 표현은 그 하위 산물"**이라는 통합된 관점을 제시했습니다.
2. 자율적 표현 학습: 사전에 정의된 공간 표현 (Place/Grid cells) 을 강제하지 않고, 모델이 과제를 해결하기 위해 필요한 정보 (공간, 시간, 사건 등) 를 스스로 학습하여 표현한다는 것을 보였습니다. 즉, **"해마는 과제를 수행하는 데 필요한 모든 변수를 표현한다"**는 예측을 가능하게 했습니다.
3. 다양한 신경 현상의 설명: 개념 세포, 어트랙터 역학, 바코드, 목표 벡터 세포 등 해마에서 관찰된 다양한 신경 현상을 단일 모델 (FWM 기반) 로 설명할 수 있음을 입증했습니다.
4. 계산적 메커니즘 규명: 단순한 기억 저장소를 넘어, 메모리 검색 과정 자체가 복잡한 기하학적 계산 (좌표 변환 등) 을 수행하여 행동을 유도한다는 점을 밝혔습니다.

5. 결론

이 연구는 해마가 본질적으로 유연한 일화 기억 장치임을 시사합니다. 공간적 표현은 해마의 고유한 속성이 아니라, 공간적 과제를 해결하기 위해 기억 시스템이 적응하는 과정에서 자연스럽게 발현된 결과물입니다. 이 모델은 해마가 다양한 자극 (공포, 소리, 사회적 상호작용 등) 에 반응하여 과제 관련 변수를 표현할 수 있음을 예측하며, 신경과학의 기존 패러다임을 확장하는 중요한 통찰을 제공합니다.