Linking macroscale structure and function in brain-like recurrent neural networks

이 논문은 인간 대뇌 피질의 거시적 구조에서 영감을 받아 개발된 뇌 유사 순환 신경망 (BrainRNN) 을 통해 구조적 제약이 기능적 모듈과 그라디언트 등 고차원 인지 능력을 지닌 뇌의 기능적 조직화를 유도하고 구조에서 기능을 추론할 수 있게 함을 입증합니다.

핵심

이 논문은 **"인공지능 **(AI)에 대한 연구입니다.

기존의 AI 는 마치 "무작위로 흩어진 전구"처럼 연결되어 학습을 하지만, 우리 뇌는 "특정 위치에 자리 잡은 전구"들이 "비용을 아끼는 선"으로 연결되어 있습니다. 연구진은 이 뇌의 구조를 AI 에 적용해 보았고, 그 결과 구조가 기능을 결정한다는 놀라운 사실을 발견했습니다.

이 내용을 이해하기 쉽게 세 가지 비유로 설명해 드릴게요.

---

1. 실험실: "뇌 모양 AI (BrainRNN)" 만들기

연구진은 일반적인 AI 대신, 인간 뇌의 지도를 따라 만든 AI(BrainRNN)를 설계했습니다.

• 일반 AI: 모든 컴퓨터 칩이 서로 자유롭게 연결되어 있습니다. 입력을 받으면 어디든 전달될 수 있어 효율적이지만, 뇌처럼 정교하지 않습니다.
• 뇌 모양 AI: 칩들을 **구형 **(반구)에 배치했습니다.
  • **후면 **(뒤쪽)은 '시각' 담당 (눈).
  • **전면 **(앞쪽)은 '운동' 담당 (손/발).
  • 중간은 '연상' 담당 (생각, 기억, 판단).
  • 핵심 규칙: "멀리 떨어진 칩끼리 연결하려면 전선 (와이어링)"이라는 규칙을 적용했습니다. 뇌가 에너지를 아끼듯, AI 도 긴 선을 연결하는 것을 싫어하도록 만든 것입니다.

2. 발견 1: "생각하는 부위"가 확장되어야 고난도 임무가 가능해진다

이 AI 에 22 가지의 다양한 두뇌 게임을 시켰습니다. 결과는 매우 흥미로웠습니다.

• **단순한 게임 **(눈으로 보고 손으로 움직이기)
  • AI 는 시각 부위와 운동 부위만 켜고도 게임을 잘했습니다. 중간에 있는 '생각하는 부위'는 거의 쓰지 않았습니다.
• **어려운 게임 **(기억하기, 복잡한 판단하기)
  • AI 는 **중간 '연상 부위' **(생각하는 부위)를 대거 동원해야만 성공했습니다.
  • 비유: 간단한 길 찾기는 눈과 다리만 쓰면 되지만, 복잡한 미로 찾기나 장기 게임은 '머리'를 써야 하죠. 뇌 모양 AI 는 이 원리를 정확히 따라 했습니다.
  • 교훈: 뇌에서 '연상 피질 (생각하는 부분)'이 커진 이유는 단순한 감각 처리가 아니라, 복잡한 사고를 하기 위함이라는 것을 AI 를 통해 증명했습니다.

3. 발견 2: "지도"를 보면 "기능"을 알 수 있다

뇌과학에서는 "뇌의 구조 (지도) 를 보면 어떤 기능을 하는지 알 수 있다"고 말합니다. 하지만 일반 AI 에서는 구조만 보고 기능을 알기 어렵습니다.

• 구조 - 기능의 연결: 연구진은 뇌 모양 AI 에서 **구조 **(위치와 연결)와 **기능 **(어떤 일을 하는지)이 인간 뇌와 똑같이 연결되어 있음을 발견했습니다.
  • 거리 법칙: 멀리 떨어진 부위끼리는 기능이 다르게 작동합니다 (예: 눈과 발은 역할이 다름).
  • 연결 법칙: 물리적으로 잘 연결된 부위끼리는 비슷한 일을 합니다.
• 의미: AI 에 뇌의 구조적 제약 (비용, 위치) 을 넣으면, 구조만 보고도 "이 부위는 기억을 담당할 거야", "저 부위는 결정을 내릴 거야"라고 예측할 수 있게 됩니다. 이는 마치 뇌의 지도를 보고 뇌의 기능을 해석하는 것과 같습니다.

4. 발견 3: "색깔의 그라데이션"처럼 자연스럽게 변하는 기능

인간 뇌는 한 부위가 갑자기 다른 부위로 변하는 게 아니라, **기능이 서서히 변하는 그라데이션 **(Gradient)을 이룹니다. (예: 감각 영역에서 점점 추상적인 사고 영역으로 이어짐)

• AI 의 발견: 뇌 모양 AI 에서도 이 그라데이션이 자연스럽게 나타났습니다.
  • 시각 부위에서 운동 부위로 갈수록, AI 의 기능이 서서히 변하는 패턴이 발견되었습니다.
  • 비유: 마치 무지개처럼 빨강에서 보라색으로 서서히 변하듯, 뇌의 기능도 한 영역에서 다른 영역으로 자연스럽게 이어집니다. AI 는 이 자연스러운 흐름을 구조적 제약 덕분에 스스로 만들어냈습니다.

---

🌟 한 줄 요약

이 연구는 "**AI 에 뇌의 구조적 규칙 **(위치와 비용)"을 보여줍니다.

기존의 AI 는 "무엇을 잘하느냐"에 집중했다면, 이 연구는 "어떻게 연결되어 있느냐"가 "무엇을 할 수 있는지"를 결정한다는 사실을 증명했습니다. 이는 앞으로 뇌 질환의 원인을 구조에서 찾거나, 더 인간처럼 사고하는 AI 를 만드는 데 큰 길잡이가 될 것입니다.

결론적으로, 뇌는 단순히 정보를 처리하는 기계가 아니라, '공간'과 '비용'이라는 규칙 안에서 스스로 조직화되는 놀라운 시스템입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 구조와 기능의 연결: 신경생물학과 인공지능 (AI) 모두에서 뇌의 거시적 구조 (해부학적 연결, 모듈성, 위계) 와 기능 (인지 능력, 행동) 을 연결하는 것은 핵심 과제입니다. 인간 뇌에서는 구조적 아키텍처로부터 기능을 추론할 수 있지만, 기존 인공 신경망 (ANN) 은 주로 과업 수행을 위해 최적화된 자유로운 연결을 기반으로 하여, 구조적 제약이 기능 조직화에 미치는 인과적 역할을 규명하기 어렵습니다.
• 기존 연구의 한계: 기존 ANN 연구는 표현 수준에서 인간 인지와의 정렬에 초점을 맞췄을 뿐, 뇌의 물리적 공간 임베딩 (topography) 과 회선 비용 (wiring cost) 과 같은 거시적 구조적 원리를 통합적으로 고려한 연구는 부족했습니다.
• 연구 목표: 뇌와 유사한 구조적 제약 (위상적, 위상학적) 을 인공 순환 신경망 (RNN) 에 도입하여, 이러한 제약이 어떻게 기능적 조직화 (기능 모듈, 기능적 경사도) 를 형성하고 인지 능력을 결정하는지 규명하는 것입니다.

2. 방법론 (Methodology)

A. BrainRNN 아키텍처 설계

저자들은 BrainRNN이라는 새로운 순환 신경망 아키텍처를 제안했습니다. 이는 인간 대뇌 피질의 거시적 구조를 모방합니다.

• 위상적 임베딩 (Topographic Embedding): 128 개의 순환 유닛을 반구 (hemisphere) 매니폴드 위에 피보나시 격자 (Fibonacci lattice) 를 사용하여 3 차원 공간 좌표 (좌 - 우, 후 - 전, 등 - 하) 에 배치했습니다.
• 영역별 인터페이스 (Areal Interfaces):
  • 시각 영역 (Visual): 후두부 (후방) 에 위치하며 외부 시각 입력 (고정점, 과업 단서, 자극 위치) 을 받습니다.
  • 운동 영역 (Motor): 전두부 (전방) 에 위치하며 운동 출력 (시선 고정, 안구 운동) 을 담당합니다.
  • 연합 영역 (Association): 시각과 운동 영역 사이의 중간 영역에 위치하며 고차 인지 기능을 수행합니다.
• 와이어링 비용 제약 (Wiring-cost Constraints): 뇌의 경제적 연결 원리를 모방하기 위해, 훈련 목적 함수에 와이어링 비용 정규화 항을 추가했습니다. 이는 두 유닛 간의 물리적 거리가 멀수록 연결 강도를 감소시키는 L1 정규화를 적용하여, 장거리 연결을 억제하고 국소적 연결을 선호하도록 유도했습니다.

B. 훈련 및 평가

• 과업: 4 가지 과업 계열 (시각 - 운동, 작업 기억, 일치 - 불일치, 의사결정) 로 구성된 22 가지 인지 과업을 수행하도록 훈련했습니다.
• 변수: 와이어링 비용 제약 파라미터 ($\lambda$) 를 변화시키며 네트워크의 구조적 제약 강도를 조절했습니다.
• 비교 대상: 구조적 제약이 없는 일반 RNN (CRNN) 과 공간 임베딩만 적용된 RNN (SpRNN) 과 비교 분석했습니다.
• 참고 데이터: 인간 뇌 연결체 프로젝트 (HCP) 의 MRI 데이터 (구조적 연결, 기능적 연결, 공간 거리) 를 사용하여 BrainRNN 의 결과를 검증했습니다.

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

A. 구조적 제약이 기능적 활성화와 인지 능력을 조절함

• 활성화 패턴: 와이어링 비용 제약 ($\lambda$) 이 강해질수록 전체 활성화 유닛 수는 감소했으나, 특히 **연합 영역 (association regions)**의 활성화가 급격히 줄어든 반면, 시각 및 운동 영역은 상대적으로 안정적으로 유지되었습니다.
• 인지 능력의 위계: 단순한 시각 - 운동 과업은 제약이 강해도 잘 수행되었으나, 작업 기억이나 복잡한 의사결정과 같은 고차 인지 과업은 연합 영역의 활성화가 감소함에 따라 성능이 급격히 저하되었습니다. 이는 인간 뇌에서 연합 피질이 고차 인지 기능을 담당한다는 사실과 일치합니다.

B. 구조 - 기능 커플링 (Structure-Function Coupling) 의 재현

• 공간 거리와 기능적 연결: 인간 뇌와 마찬가지로 BrainRNN 에서도 유닛 간의 공간 거리가 멀수록 기능적 연결 (상관관계) 은 약해지는 음의 상관관계를 보였습니다.
• 구조적 연결과 기능적 연결: 구조적 연결 (가중치) 의 코사인 유사성과 기능적 연결 간에는 양의 상관관계가 관찰되었으며, 이는 BrainRNN 이 인간 뇌의 구조 - 기능 커플링 패턴을 잘 모방함을 의미합니다.

C. 기능적 모듈 (Functional Modules) 의 출현

• 모듈성: 구조적 제약 하에서 훈련된 BrainRNN 은 시각, 운동, 지연 (작업 기억) 기간에 따라 활성화되는 기능적 모듈을 형성했습니다.
• 위상적/위상학적 기반: 이 기능적 모듈들은 무작위 분포도, 완전히 국소화된 분포도 아닌, 인간 뇌 (Yeo 네트워크 등) 와 유사하게 위상적 (공간적) 과 위상학적 (연결성) 구조에 기반하여 조직화되었습니다.
• 제약의 역할: 와이어링 비용 제약이 강해질수록 네트워크 모듈성과 기능적 모듈 간의 일치도 (AMI) 가 증가하여, 구조적 제약이 기능적 조직화를 유도함을 입증했습니다.

D. 기능적 경사도 (Functional Gradients) 의 발견

• 경사도 구조: 뇌의 주요 기능적 경사도 (감각 - 운동 - 연합 축) 와 유사하게, BrainRNN 의 연결성 기반 주성분 분석 (PCA) 을 통해 시각 - 지연 - 운동으로 이어지는 기능적 경사도가 도출되었습니다.
• 공간적 정렬: 이 기능적 경사도는 네트워크의 물리적 공간 좌표 (위상적 구조) 와 밀접하게 연관되어 있었으며, 와이어링 비용 제약이 강해질수록 기능적 경사도가 공간적 구조에 더 강하게 정렬되는 경향을 보였습니다.

4. 연구의 의의 및 결론 (Significance)

• 구조에서 기능을 추론하는 가능성: 뇌와 유사한 구조적 제약 (위상적 배치와 와이어링 비용) 을 인공 신경망에 도입함으로써, 구조적 아키텍처로부터 기능적 조직화를 추론할 수 있음을 보여주었습니다. 이는 신경과학에서 구조를 통해 기능을 해석하는 접근법이 AI 모델에도 적용 가능함을 시사합니다.
• 연합 피질 확장의 기제: 고차 인지 기능을 수행하기 위해 연합 영역이 비례적으로 확장되는 진화적/발생적 현상이, 단순한 과업 최적화가 아닌 구조적 제약 (특히 입력/출력 인터페이스의 공간적 분리) 과의 상호작용에 의해 설명될 수 있음을 제시했습니다.
• 신경과학 연구 플랫폼: BrainRNN 은 생물학적 시스템에서 직접 실험하기 어려운 구조적 가설을 검증할 수 있는 in silico (컴퓨터 시뮬레이션) 실험 플랫폼으로서의 가치를 지닙니다.
• AI 와 신경과학의 융합: 이 연구는 AI 모델의 해석 가능성 (Interpretability) 을 높이고, 뇌의 작동 원리를 이해하는 데 있어 구조적 원리가 핵심임을 강조하며, 두 분야의 융합을 위한 새로운 프레임워크를 제공합니다.

요약하자면, 이 논문은 BrainRNN을 통해 뇌의 거시적 구조적 제약이 어떻게 기능적 모듈, 경사도, 그리고 고차 인지 능력을 형성하는지 인과적으로 규명했으며, 이는 인공지능 모델 설계에 생물학적 구조 원리를 통합할 때 얻을 수 있는 통찰력을 제공합니다.