A Large-Scale Computer-Vision Mapping of the Geometric Structures of Stroboscopically-Induced Visual Hallucinations

이 논문은 대규모 공개 설치물 '드림머신'에서 생성된 10,598 점의 환각 그림을 자기지도 학습 컴퓨터 비전 파이프라인으로 분석하여, 무작위 군집화를 통해 기존에 알려지지 않은 다양한 기하학적 환각 패턴을 발견하고 이를 체계적으로 분류함으로써 시각적 환각의 신경 기제에 대한 새로운 이론적 제약을 제시했습니다.

핵심

🎨 1. 실험: "꿈의 기계"와 빛의 축제

상상해 보세요. 어두운 방에 앉아 눈을 감고, 천장에 달린 빠른 속도로 깜빡이는 빛 (스트로브 조명) 을 봅니다. 이때 뇌는 외부 자극이 없는데도 마치 꿈속처럼 기하학적인 무늬와 화려한 색을 보게 됩니다. 이를 '광각 환각'이라고 합니다.

연구진은 영국 전역에서 열린 '꿈의 기계'라는 행사에 참가한 4 만 명 이상의 사람들 중, 이 경험을 하고 난 뒤 자신이 본 것을 종이와 크레파스로 그려낸 1 만 개가 넘는 그림을 모았습니다. 마치 1 만 명의 사람이 각자 다른 꿈을 그려낸 미술관 같은 거죠.

🤖 2. 방법: 컴퓨터가 그림을 분류하다 (AI 탐정)

이렇게 방대한 그림을 사람이 하나하나 분류하는 건 불가능합니다. 그래서 연구진은 **최신 AI(컴퓨터 비전)**를 고용했습니다.

• AI 의 역할: 이 AI 는 그림을 볼 때 우리가 보는 '사물'이 아니라, 기하학적 패턴과 선의 흐름을 분석합니다. 마치 그림의 '지문'을 읽어내는 것과 같습니다.
• 작업 과정: AI 는 1 만 개의 그림을 분석하여 서로 비슷한 모양끼리 묶어주었습니다 (클러스터링). 마치 비슷한 색깔의 구슬을 통에 담는 것처럼요.

🔍 3. 결과: 예상보다 훨씬 더 다양한 '환각의 세계'

과거에는 환각이 보이는 모양을 **클뤼버 (Klüver)**라는 학자가 1920 년대에 4 가지로만 정리했습니다. 마치 환각의 세계가 '네 가지 기본 레시피'로만 만들어졌다고 믿었던 거죠.

1. 그물망 (Lattice): 벌집이나 격자무늬
2. 거미줄 (Cobweb): 중앙에서 바깥으로 퍼지는 거미줄
3. 터널 (Tunnel): 끝없이 이어지는 터널
4. 나선 (Spiral): 소용돌이치는 나선

하지만 이번 연구 결과는 이 '4 가지 레시피'가 전부가 아니라고 말합니다.

🌟 발견 1: 고전적인 모양도 많았다

AI 가 분석한 그림 중 상당수는 클뤼버가 말한 그물망, 터널, 나선 모양이었습니다. 이는 과거 이론이 틀리지 않았음을 확인시켜 줍니다.

🌟 발견 2: 새로운 '환각의 레시피' 발견!

하지만 AI 는 과거에 없던 새로운 모양들도 찾아냈습니다.

• 동심원 정사각형: 원이 아닌, 정사각형이 여러 겹으로 쌓인 모양.
• 십자형 (Cross): 십자가 모양이 반복되는 패턴.
• 파도 모양: 물결치거나 지그재그로 꺾인 줄무늬.

이것들은 마치 기존의 '환각 레시피'에는 없던 새로운 요리를 발견한 것과 같습니다. 과거에는 이 모양들이 드물거나 기록되지 않아서 "아마도 환각은 이 네 가지 모양뿐일 거야"라고 생각했지만, 실제로는 훨씬 더 다양하고 복잡한 세상이 존재했던 것입니다.

🧠 4. 의미: 뇌는 어떻게 그림을 그릴까?

이 발견은 뇌과학자들에게 큰 도전 과제를 던집니다.

• 기존 이론: 뇌의 시각 피질 (V1) 이 빛을 받아들이는 방식 때문에 나선이나 터널 모양이 자연스럽게 나온다고 설명해 왔습니다.
• 새로운 질문: 그런데 정사각형이나 십자가 같은 모양은 왜 나올까요? 뇌의 구조가 단순히 나선만 만드는 게 아니라, 훨씬 더 복잡한 기하학적 패턴을 만들어낼 수 있다는 뜻입니다.

이는 마치 뇌라는 악기가 우리가 알던 '도레미파솔' (기존 4 가지 모양) 만 연주하는 게 아니라, 우리가 몰랐던 '새로운 화음' (정사각형, 십자가 등) 도 연주할 수 있다는 것을 발견한 것과 같습니다.

💡 5. 결론: AI 가 밝혀낸 환각 지도

이 연구는 AI 를 이용해 방대한 사람의 경험을 분석함으로써, 환각의 세계를 더 정확하게 지도로 그릴 수 있음을 보여줍니다.

• 핵심 메시지: 환각은 단순히 '미친' 상태가 아니라, 우리 뇌가 빛을 처리할 때 만들어내는 정교하고 규칙적인 기하학적 예술입니다.
• 미래: 이제 과학자들은 이 새로운 지도를 바탕으로 뇌가 어떻게 세상을 보고, 어떻게 환각을 만들어내는지 더 깊이 이해할 수 있게 되었습니다.

한 줄 요약:

"수만 명의 사람이 그린 환각 그림을 AI 가 분석했더니, 우리가 알던 '나선과 터널' 말고도 '정사각형과 십자가' 같은 새로운 환각 모양들이 가득하다는 걸 발견했습니다. 이는 우리 뇌의 시각 처리 방식이 생각보다 훨씬 더 다양하고 복잡하다는 증거입니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 시각 환각 (VHs) 의 특성: 시각 환각은 정신병리, 신경학적 질환, 심리학적 상태 (신체적/약물 유발) 등 다양한 맥락에서 발생합니다. 특히 단순한 환각 (Simple VHs) 은 의미 있는 내용 (얼굴, 장면 등) 이 없는 색상, 패턴, 기하학적 형태로 구성되며, 다양한 원인과 맥락에서 일관된 형태를 보입니다.
• 기존 이론의 한계: 단순 환각의 기하학적 구조를 설명하는 주요 이론으로는 1920 년대 Klüver 가 제안한 '형태 상수 (Form Constants: 격자, 거미줄, 터널, 나선)'와 이를 시각 피질 (V1) 의 신경장 모델 (Neural-field models) 로 설명하려는 시도가 있습니다. 그러나 기존 연구는 소규모 표본, 이질적인 보고 형식, 정량적 분석의 부재로 인해 실제 환각 경험의 범위가 기존 이론 (특히 Klüver 의 4 가지 형태 상수) 으로 완전히 설명 가능한지 검증하기 어려웠습니다.
• 데이터 부족: 대규모의 체계적인 현상학적 데이터셋이 부족하여 기계적 설명 (mechanistic accounts) 과 체계적 특성이 제한받고 있었습니다.

2. 연구 방법론 (Methodology)

이 연구는 Dreamachine이라는 대규모 공공 예술 - 과학 설치 프로젝트에서 수집된 방대한 데이터를 활용하여 비지도 컴퓨터 비전 파이프라인을 적용했습니다.

• 데이터 수집:
  • 소스: 2022 년 영국에서 개최된 Dreamachine 프로젝트 (UNBOXED: Creativity in the UK) 에서 수집된 10,598 개의 참가자 그림.
  • 자극: 참가자들은 눈을 감고 스톨로스코프 조명 (Stroboscopic Light Stimulation, SLS) 을 받거나 (High Sensory, HS), 음악과 조명만 경험한 (Deep Listening, DL) 후 자신의 경험을 그림으로 표현했습니다.
  • 데이터 전처리: 조직자 (Collective Act Ltd.) 가 제공한 원본 데이터를 기반으로 손상된 이미지, 중복, 텍스트 전용 이미지, 잘못 자른 이미지를 제거하여 최종 9,700 개의 분석 가능 이미지를 확보했습니다.
• 컴퓨터 비전 파이프라인:
  1. 특징 추출 (Feature Extraction): 사전 훈련된 자기지도 학습 (Self-supervised) 비전 트랜스포머 모델인 **DINOv2 (ViT-L/14)**를 사용하여 각 그림의 고차원 특징 임베딩 (1,024 차원) 을 추출했습니다.
     • 강건성 확보: 조명, 색상, 방향 차이를 보정하기 위해 테스트 시간 증강 (Test-Time Augmentation, TTA) 을 적용하여 각 이미지당 48 개의 변형된 뷰를 생성하고 이를 평균화하여 하나의 특징 벡터로 만들었습니다.
  2. 차원 축소 (Dimensionality Reduction):
     • PCA(주성분 분석) 를 통해 분산의 90% 이상을 유지하며 노이즈를 제거했습니다.
     • UMAP(Uniform Manifold Approximation and Projection) 을 적용하여 6 차원 특징 공간으로 축소했습니다.
  3. 클러스터링 (Clustering):
     • HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) 알고리즘을 사용하여 밀도 기반 클러스터링을 수행했습니다. 이 방법은 구형 클러스터를 가정하지 않고 다양한 밀도의 클러스터를 처리할 수 있어 이질적인 그림 데이터에 적합합니다.
  4. 정성적 분석: 생성된 15 개의 클러스터를 연구자들이 시각적으로 검토하여 Klüver 의 형태 상수 체계와 비교하는 주제별 분석 (Thematic Analysis) 을 수행했습니다.

3. 주요 결과 (Key Results)

• 클러스터링 성과: 전체 9,700 개 그림 중 **5,736 개 (59.1%)**가 15 개의 명확한 클러스터로 분류되었고, 나머지는 노이즈 (Unclustered) 로 처리되었습니다.
• 클래스 분류:
  1. Klüverian (Klüver 형태 상수 포함): 6 개 클러스터. 터널, 나선, 거미줄, 격자 등 Klüver 가 제안한 4 가지 기본 형태 상수와 그 변형이 확인되었습니다.
  2. Non-Klüverian (비-Klüver 기하학적 형태): 6 개 클러스터. 기존 이론으로 설명되지 않는 새롭고 체계적으로 반복되는 기하학적 패턴이 발견되었습니다.
     • 4 회 회전 대칭 (Fourfold rotational symmetry): 동심원 정사각형, 십자형 (Crosses), 다이아몬드 격자 등 90 도마다 반복되는 패턴.
     • 기타: 파동/지그재그 줄무늬, 교차하는 곡선, 아스트로이드 (Astroid) 모양 등.
  3. Non-Geometric (비기하학적): 3 개 클러스터. 확산된 색상 영역, 텍스트, 의미 있는 객체 (Complex VHs) 등이 포함되었습니다.
• 새로운 발견: 기존 문헌에서 정량화되지 않았거나 보고되지 않았던 **4 회 회전 대칭 패턴 (정사각형, 십자형 등)**이 단순 환각의 하위 집합으로 상당 부분 (기하학적 콘텐츠의 약 5.8%) 존재함이 확인되었습니다. 또한 아스트로이드 모양과 같은 새로운 모티프도 발견되었습니다.

4. 연구의 공헌 및 의의 (Contributions & Significance)

• 대규모 데이터 기반 현상학: 소규모 실험실 연구의 한계를 넘어, 수천 건의 자연스러운 (Naturalistic) 데이터를 컴퓨터 비전으로 분석하여 시각 환각의 기하학적 다양성을 체계적으로 매핑했습니다.
• 기존 이론에 대한 제약과 확장:
  • Klüver 의 형태 상수와 신경장 모델이 회전 대칭 패턴 (나선, 터널 등) 을 잘 설명하지만, 이동 대칭 (격자) 과 4 회 회전 대칭 (정사각형, 십자형) 패턴을 설명하는 데는 한계가 있음을 실증적으로 보였습니다.
  • 이는 시각 피질의 초기 구조와 역동성을 설명하는 기존 신경장 모델 (Log-polar 매핑 기반) 이 수정되거나 확장되어야 함을 시사합니다.
• 방법론적 혁신: 참여형 데이터 수집과 비지도 컴퓨터 비전 (Self-supervised learning + Clustering) 을 결합한 새로운 접근법을 제시하여, 주관적인 현상학적 경험을 정량화하고 분류하는 데 있어 강력한 도구가 될 수 있음을 보였습니다.
• 향후 연구 방향: 발견된 새로운 기하학적 패턴들은 시각 환각의 신경 메커니즘을 규명하기 위한 표적 실험 연구 (SLS 파라미터와 신경 역학 연결) 에 대한 가설을 제시합니다.

5. 결론

이 연구는 스톨로스코프 조명에 의해 유도된 시각 환각의 기하학적 구조가 기존 Klüver 의 분류 체계보다 훨씬 넓고 다양함을 입증했습니다. 특히 컴퓨터 비전 기술을 활용한 대규모 데이터 분석은 단순 환각의 패턴을 객관적으로 분류하고, 신경과학적 모델에 새로운 실증적 제약을 가하는 데 핵심적인 역할을 했습니다. 이는 시각, 의식, 그리고 그 변형 상태에 대한 이해를 심화시키는 중요한 발걸음입니다.