An Efficient Computing Theory of Prefrontal Structured Working Memory Representations

이 논문은 감각 시스템의 효율적 부호화 가설을 넘어 인지 처리에 적용된 '효율적 계산 이론'을 제안하여, 전두엽 작업 기억의 맥락적 및 구성적 부호화 방식이 작업 내 요소 간 상관관계에 따라 결정되는 최적 표현의 스펙트럼 상의 두 극단임을 규명함으로써 모호한 신경 데이터를 해석하는 새로운 도구를 제시합니다.

핵심

이 논문은 우리 뇌의 **'전전두엽 (Prefrontal Cortex)'**이라는 부위가 어떻게 복잡한 일을 기억하고 처리하는지에 대한 새로운 이론을 제시합니다.

기존의 신경과학 이론인 **'효율적 부호화 (Efficient Coding)'**는 뇌가 감각 정보 (시각, 청각 등) 를 처리할 때, 불필요한 에너지를 아끼기 위해 가장 간결하게 정보를 압축한다는 주장이었습니다. 마치 고해상도 사진을 압축해서 전송하는 것과 비슷하죠.

하지만 이 논문은 **"감각 정보만 그런 게 아니라, 복잡한 사고나 기억을 처리할 때도 뇌는 '에너지 효율'을 최우선으로 생각할 것"**이라고 주장하며, 이를 **'효율적 계산 이론 (Efficient Computing Theory)'**이라고 부릅니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 뇌의 작업 공간: '메모장'과 '파일 정리'

전전두엽은 우리 뇌의 **'작업 공간 (Workspace)'**입니다. 여기서 우리는 여러 가지 정보를 기억하고, 순서대로 정리해서 행동을 결정합니다. 예를 들어, "아침에 커피를 마시고, 출근해서 보고서를 쓰고, 오후에 회의에 참석한다"는 순서를 기억해야 하는 상황이죠.

이때 뇌는 이 정보를 어떻게 저장할까요? 논문은 두 가지 극단적인 방식이 있다고 말합니다.

• 방식 A: '전용 서랍' (구성적 코드, Compositional Code)
  • 커피는 '커피 서랍', 보고서는 '보고서 서랍', 회의는 '회의 서랍'에 각각 따로 넣는 방식입니다.
  • 어떤 순서로 일을 하든, 커피 서랍은 항상 커피 정보만 담고 있습니다. 서로 섞이지 않습니다.
  • 장점: 어떤 순서든 유연하게 처리할 수 있습니다.
• 방식 B: '특정 상황 전용 서랍' (문맥적 코드, Contextual Code)
  • "커피 → 보고서 → 회의"라는 특정 순서가 오면, 이 세 가지가 섞여 있는 '전용 서랍' 하나만 켜집니다.
  • 만약 순서가 "회의 → 커피 → 보고서"로 바뀌면, 완전히 다른 서랍이 켜집니다.
  • 장점: 특정 패턴이 반복될 때는 매우 빠르고 효율적입니다.

기존의 연구들은 이 두 방식 중 어느 것이 뇌의 정석인지 논쟁을 벌였습니다. 어떤 실험에서는 A 방식이, 다른 실험에서는 B 방식이 관찰되었습니다.

2. 이 논문의 핵심 발견: "상황에 따라 달라지는 '스펙트럼'"

이 논문은 **"A 와 B 는 서로 다른 것이 아니라, 같은 스펙트럼의 양 끝단일 뿐이다"**라고 말합니다.

여기서 결정적인 요소는 **'정보들 사이의 연관성 (Correlation)'**입니다.

• 연관성이 낮을 때 (모든 순서가 가능할 때):

  • 만약 "커피, 보고서, 회의"가 어떤 순서로 와도 될 가능성이 높다면, 뇌는 에너지를 아끼기 위해 **방식 A (전용 서랍)**를 선택합니다. 각 정보를 따로따로 저장하는 게 가장 효율적이기 때문입니다.
  • 비유: 매일 다른 메뉴를 주문하는 식당이라면, 각 메뉴를 따로 따로 보관하는 게 깔끔합니다.

• 연관성이 높을 때 (특정 순서만 반복될 때):

  • 만약 "커피를 마시면 무조건 보고서를 쓰고, 그다음 회의"라는 규칙이 99% 확률로 반복된다면, 뇌는 **방식 B (문맥적 서랍)**를 선택합니다. 커피만 기억하면 나머지는 자동으로 예측되니까, 따로따로 저장할 필요가 없어 에너지를 아낄 수 있습니다.
  • 비유: 매일 똑같은 코스 요리를 내는 식당이라면, '코스 메뉴'라는 하나의 패키지로 통째로 준비하는 게 훨씬 효율적입니다.

결론: 뇌는 실험 조건 (과제) 에 따라 이 두 방식 사이를 유연하게 오갑니다. 서로 다른 실험에서 다른 결과가 나온 이유는, 실험자들이 의도치 않게 '정보의 연관성'을 다르게 설정했기 때문입니다.

3. 에너지 절약의 미학: '벨트' vs '게이트'

논문은 뇌가 정보를 이동시킬 때도 에너지를 얼마나 아끼는지 분석했습니다.

• 컨베이어 벨트 방식: 정보가 서랍을 하나씩 건너뛰며 이동합니다. (예: 커피 서랍 → 보고서 서랍 → 회의 서랍)
• 게이트 (문) 방식: 정보가 들어오자마자 목적지 서랍으로 바로 이동합니다.

연구자들은 뇌의 실험 데이터를 분석한 결과, 입력할 때는 '게이트 방식'을 쓰지만, 기억을 꺼낼 때는 '컨베이어 벨트 방식'을 쓴다는 것을 발견했습니다.

• 이유: 입력할 때는 정보가 언제 들어올지 모르니, 바로 목적지로 보내는 게 효율적입니다. 하지만 기억을 꺼낼 때는 정해진 순서대로 꺼내야 하므로, 벨트를 타고 순서대로 이동시키는 게 에너지를 더 아낍니다. 마치 택배를 받을 때는 문 앞에서 바로 받아서 방으로 바로 가져가지만 (게이트), 정리할 때는 선반을 따라 순서대로 정리하는 (벨트) 것과 비슷합니다.

4. 요약: 뇌는 '최적의 관리자'다

이 논문의 핵심 메시지는 다음과 같습니다.

1. 뇌는 게으르지 않다: 뇌는 에너지를 최대한 아끼면서 일을 처리하도록 진화했습니다.
2. 상황이 답이다: 뇌가 정보를 저장하는 방식 (혼합해서 저장하든, 따로따로 저장하든) 은 그 정보가 얼마나 예측 가능한지에 따라 달라집니다.
3. 모순이 아니다: 과거의 연구들이 서로 다른 결과를 내놓은 것은 뇌가 혼란스러워서가 아니라, 실험 조건 (정보의 연관성) 이 달랐기 때문입니다.

한 줄 요약:

"우리 뇌의 전전두엽은 에너지 절약형 관리자처럼, 정보들이 얼마나 서로 연관되어 있는지에 따라 '개별 파일'로 저장할지, '패키지'로 저장할지, 혹은 '컨베이어 벨트'로 이동시킬지 가장 효율적인 방법을 실시간으로 선택하고 있다."

이 이론은 우리가 뇌가 어떻게 복잡한 사고를 하는지 이해하는 데 새로운 창을 열어주며, 인공지능 (AI) 을 더 효율적으로 만드는 데도 영감을 줄 수 있습니다.

기술 요약

이 논문은 전전두엽 (Prefrontal Cortex, PFC) 의 구조화된 작업 기억 (Structured Working Memory) 표현을 설명하기 위해 **효율적 계산 이론 (Efficient Computing Theory)**을 제안합니다. 기존 신경과학의 '효율적 부호화 가설 (Efficient Coding Hypothesis)'이 감각 입력의 통계적 특성에 초점을 맞추어 감각 피질의 표현을 성공적으로 설명해 왔음에도 불구하고, 고차 인지 기능인 작업 기억과 같은 영역에서는 적용에 한계가 있었습니다. 저자들은 이 한계를 극복하기 위해, 단순히 자극을 부호화하는 것이 아니라 주어진 알고리즘을 수행하는 데 가장 효율적인 신경 회로의 구현을 연구하는 새로운 프레임워크를 개발했습니다.

다음은 논문의 문제 제기, 방법론, 주요 기여, 결과 및 의의에 대한 상세한 기술적 요약입니다.

---

1. 문제 제기 (Problem)

• 이론적 공백: 효율적 부호화 가설은 감각 시스템 (시각, 청각 등) 에서 자연 자극의 통계적 특성을 기반으로 최적의 신경 표현을 설명하는 데 탁월한 성과를 거두었습니다. 그러나 전전두엽과 같은 고차 인지 영역에서는 이러한 규범적 (Normative) 접근이 덜 성공적이었습니다.
• 관찰된 모순: 전전두엽의 작업 기억 과제 (예: 시퀀스 기억, 순서 회상) 에 대한 신경 기록 연구들은 서로 상반된 두 가지 코딩 방식을 보고했습니다.
  1. 구성적 코드 (Compositional Code): 각 기억 요소 (예: 시퀀스의 각 항목) 가 서로 직교하는 (orthogonal) 하위 공간 (subspace) 에 인코딩되며, 개별 뉴런은 특정 요소에 반응합니다 (Xie et al.).
  2. 맥락적 코드 (Contextual Code): 뉴런이 특정 시퀀스 전체에 반응하며, 개별 요소보다는 시퀀스의 맥락 (순서) 에 따라 활성화됩니다 (Shima & Tanji).
• 핵심 질문: 동일한 과제를 수행하는 것처럼 보이는 실험들에서 왜 이러한 상이한 신경 표현이 관찰되는가? 이는 과제의 미세한 통계적 차이와 계산적 요구 사항에 기인한 것일 수 있습니다.

2. 방법론 (Methodology)

저자들은 효율적 계산 (Efficient Computing) 프레임워크를 구축하여, 주어진 알고리즘을 수행하는 데 필요한 최소한의 에너지 (신경 활동 및 가중치) 로 최적의 신경 표현을 유도했습니다.

A. 효율적 계산 가설 (The Efficient Computing Hypothesis)

전통적인 효율적 부호화 (기능적 제약 + 생물학적 효율성) 에 **계산적 제약 (Computing Constraint)**을 추가했습니다.

1. 기능적 제약 (Functional Constraint): 현재 상태의 자극을 정확하게 회상 (Decode) 할 수 있어야 함.
   • $W_{out}r(s, e) + b_{out} = o(s, e)$
2. 계산적 제약 (Computing Constraint): 에이전트가 상태 간 이동 (Action) 을 할 때, 신경 표현이 내부 모델을 통해 적절히 업데이트되어야 함.
   • $W_a r(s, e) + b_a = r(s+a, e)$
   • 이는 외부 세계의 규칙을 내부적으로 모델링하여 다음 상태를 예측할 수 있게 합니다.
3. 생물학적 효율성 (Biological Efficiency): 신경 활동 (Firing rate) 과 가중치 (Weights) 의 L2 노름 (에너지 소비) 을 최소화합니다.
   • $L = \langle ||r||^2 \rangle + \lambda (||W_{out}||^2 + \sum ||W_a||^2)$

B. 수학적 분석 및 시뮬레이션

• 하위 공간 구조 유도: 위 제약 조건 하에서 최적의 표현은 현재 상태로부터 특정 거리 (Action offset) 에 있는 자극들을 인코딩하는 일련의 **하위 공간 (Subspaces)**으로 구성됨을 수학적으로 증명했습니다.
• 통계적 최적화: 과제의 자극 간 상관관계 (Correlation) 에 따라 하위 공간의 정렬 (Alignment) 이 결정됨을 분석했습니다.
  • 독립적인 자극: 직교하는 하위 공간 (Orthogonal subspaces) 사용 $\rightarrow$ 구성적 코드.
  • 상관된 자극: 정렬된 하위 공간 (Aligned subspaces) 사용 $\rightarrow$ 맥락적 코드.
• 시뮬레이션: 다양한 작업 기억 과제 (El-Gaby et al., Xie et al., Panichello & Buschman 등) 에 대해 최적화 알고리즘을 적용하여 신경 패턴을 생성하고 기존 실험 데이터와 비교했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

1. 맥락적 코드와 구성적 코드의 통합 (Unification of Codes)

• 두 가지 코딩 방식은 이분법적인 것이 아니라, **과제의 다양성 (Task Diversity) 축 (Axis of Task Diversity)**의 양극단에 위치합니다.
• 시작 자극의 상관관계:
  • 시퀀스 요소들이 서로 독립적으로 샘플링될 때 (최대 다양성): 하위 공간이 직교하며, 뉴런은 특정 요소에 반응하는 구성적 (Compositional) 특성을 보입니다.
  • 시퀀스 요소들이 높은 상관관계를 가질 때 (낮은 다양성, 예: 특정 순서만 존재): 하위 공간이 정렬되며, 뉴런은 특정 시퀀스 전체에 반응하는 맥락적 (Contextual) 특성을 보입니다.
• 이는 기존 연구들 (Shima & Tanji vs. Xie et al.) 에서 관찰된 차이를 과제의 통계적 차이 (샘플링 방식: 무작위 vs. 비복원 추출) 로 설명했습니다.

2. 하위 공간 크기와 '회전' 역학의 예측

• 회상 거리 (Recall Distance): 하위 공간의 크기 (신경 활동 강도) 는 읽기출력 (Readout) 단계와의 거리에 따라 결정됩니다. 읽기출력에 가까운 하위 공간일수록 활동이 크고, 멀어질수록 에너지 절약을 위해 활동이 감소합니다.
• 데이터 일치: Xie et al. 의 데이터에서 1 번째, 2 번째, 3 번째 기억의 인코딩 강도가 감소하는 패턴을 이론적으로 재현했습니다.
• 동적 부호화 (Dynamic Coding): 고정된 지연 시간 (Delay) 과 가변적인 지연 시간 과제에서 기억이 하위 공간 사이를 회전 (Rotate) 하며 에너지를 절약하는 전략이 최적임을 보였습니다.

3. 알고리즘 추론 (Algorithmic Inference)

• 신경 데이터만으로는 구분하기 어려운 내부 알고리즘 (예: '컨베이어 벨트' vs. '게이팅') 을 규범적 이론을 통해 추론할 수 있음을 보였습니다.
• Chen et al. 및 Xie et al. 데이터 분석:
  • 입력 단계에서는 '입력 게이팅 (Input Gating)'이 최적화됨 (각 자극이 직접 해당 하위 공간으로 이동).
  • 출력 단계에서는 '컨베이어 벨트 (Conveyor Belt)' 방식이 하위 공간 크기의 차이 (거리 의존성) 를 설명하는 유일한 효율적인 해법임을 예측했습니다.
  • 이는 기존 데이터의 모호함을 해결하고, 어떤 계산 알고리즘이 실제로 작동하고 있는지 추론하는 도구를 제공합니다.

4. 의의 (Significance)

• 인지 표현에 대한 규범적 이론의 확장: 효율적 부호화 가설을 감각 영역을 넘어 고차 인지 (작업 기억, 계획) 로 확장하여, 신경 표현이 단순히 자극을 압축하는 것이 아니라 계산적 효율성을 위해 진화했음을 보여줍니다.
• 실험 데이터의 재해석: 서로 모순처럼 보이는 신경 기록 (직교 vs. 정렬, 구성적 vs. 맥락적) 을 단일한 이론적 프레임워크 하에서 통합하여 설명합니다.
• 예측 도구: 미래 실험을 위한 구체적인 예측을 제공합니다 (예: 샘플링 방식을 바꾸면 하위 공간의 정렬이 바뀔 것, 특정 알고리즘이 작동한다면 하위 공간 크기의 특정 패턴이 관찰될 것).
• 신경 및 AI 모델링의 교량: 생물학적 신경망과 순환 신경망 (RNN) 의 학습 패턴을 연결하며, 뇌가 어떻게 복잡한 알고리즘을 효율적으로 구현하는지에 대한 통찰을 제공합니다.

결론

이 논문은 전전두엽의 작업 기억 표현이 고정된 것이 아니라, 과제의 통계적 구조와 계산적 요구 사항에 따라 최적화되는 동적 시스템임을 규범적 이론을 통해 증명했습니다. 이를 통해 '맥락적'과 '구성적' 코딩은 서로 대립되는 것이 아니라, 에너지 효율성이라는 단일 원리 아래에서 과제의 특성에 따라 나타나는 스펙트럼의 양극단임을 밝혔습니다. 이 접근법은 신경 데이터를 해석하는 강력한 도구로서, 뇌의 계산 원리를 이해하는 데 중요한 이정표가 될 것입니다.