Evidence for predictive computations in a brain hierarchy during a visual search task

이 논문은 시각 탐색 과제 중 뇌 계층 구조의 LFP 데이터를 분석하여, 깊은 층의 활동은 예측 부호화 모델로, 표면 층의 역학은 예측 라우팅 메커니즘으로 설명되는 혼합 모델을 지지한다는 증거를 제시합니다.

핵심

🧠 뇌는 '예측 기계'입니다

우리의 뇌는 매순간 쏟아지는 눈, 귀, 피부의 정보를 다 처리할 수 없습니다. 그래서 뇌는 **"아마도 이런 일이 일어나겠지"**라고 미리 예측을 하고, 그 예측과 실제 들어온 정보가 다를 때만 놀라서 집중합니다.

이 논문은 뇌가 이 예측을 어떻게 하는지, 세 가지 다른 '알고리즘 (방식)' 중 어떤 것을 쓸지 실험으로 증명했습니다.

🕵️‍♂️ 세 가지 후보자 (알고리즘)

연구진은 뇌가 정보를 처리할 때 사용하는 세 가지 방식을 비교했습니다.

1. 예측 코딩 (Predictive Coding): "실수 찾기 전문"

   • 비유: 마치 엄마가 아이의 숙제를 검사하는 것 같습니다.
   • 방식: 엄마 (뇌의 높은 층) 가 "숙제 다 했지?"라고 예측을 보내면, 아이 (뇌의 낮은 층) 가 "네, 다 했어요"라고 답합니다. 만약 아이의 답이 엄마의 예상과 다르면, 아이는 **"아! 여기가 틀렸네!" (오류 신호)**라고 소리치며 엄마에게 알려줍니다. 엄마는 그 오류를 보고 다시 예측을 수정합니다.
   • 핵심: "예상과 실제의 차이 (오류)"를 계산해서 정보를 전달합니다.

2. 자동 인코더 (Autoencoder): "데이터 압축기"

   • 비유: 우편물을 한 번에 보내는 택배 박스 같습니다.
   • 방식: 정보를 아래에서 위로만 쭉 보냅니다. 복잡한 정보를 잘게 잘라 압축해서 위로 보내고, 다시 위로 올라가면 원래대로 풀어서 이해합니다.
   • 핵심: 아래에서 위로만 흐르고, 위에서 아래로 돌아오는 '예측'이나 '오류' 계산은 없습니다.

3. 예측 라우팅 (Predictive Routing): "예상대로면 조용히"

   • 비유: 경찰이 교통을 통제하는 것 같습니다.
   • 방식: 경찰 (뇌의 깊은 층) 이 "앞에 차가 없으니 신호는 초록불이야"라고 미리 예측합니다. 만약 실제로 차가 없다면 (예측이 맞다면), 그 정보는 아예 통과하지 않고 가려집니다 (억제). 만약 차가 갑자기 나타나면 (예상과 다르면), 그 순간만 신호가 켜져서 정보를 보냅니다.
   • 핵심: "예상과 같은 건 무시하고, 예상과 다른 것만 통과시킨다." 오류를 계산하는 게 아니라, 예측이 맞으면 그냥 조용히 지내는 방식입니다.

---

🐒 실험: 원숭이의 눈으로 보기

연구진은 두 마리의 원숭이를 훈련시켜 시각 탐색 과제를 수행하게 했습니다. (예: "파란 차를 찾아서 가세요"라고 말하고, 여러 그림 중에서 차를 찾아내는 과제).

그리고 원숭이의 뇌 (V4, 7A, PFC 영역) 에 얇은 전극을 꽂아 **뇌파 (LFP)**를 측정했습니다. 이때 중요한 건 뇌의 **깊은 층 (Deep layer)**과 **얕은 층 (Superficial layer)**을 따로 측정했다는 점입니다.

• 깊은 층: 예측을 보내는 곳 (엄마/경찰 역할)
• 얕은 층: 실제 정보를 받아들이는 곳 (아이/도로 역할)

---

🔍 결론: 뇌는 '하이브리드'를 썼다!

연구진은 세 가지 방식 (예측 코딩, 자동 인코더, 예측 라우팅) 중 어떤 것이 원숭이의 뇌 데이터와 가장 잘 맞는지 통계적으로 비교했습니다. 결과는 놀라웠습니다. 뇌는 한 가지만 쓰지 않고, 상황에 따라 섞어서 썼습니다.

1. 깊은 층 (예측을 보내는 곳) = "예측 코딩" 방식

   • 뇌의 깊은 층에서는 위에서 아래로, 아래에서 위로 오류와 예측을 주고받으며 정보를 정교하게 다듬는 '예측 코딩' 방식이 필요했습니다.
   • 비유: 엄마가 아이의 숙제를 꼼꼼히 검사하고 수정하는 과정이 여기서 일어납니다.

2. 얕은 층 (실제 정보를 받는 곳) = "예측 라우팅" 방식

   • 하지만 뇌의 얕은 층에서는 복잡한 '오류 계산'이 일어나지 않았습니다. 대신, 깊은 층에서 내려온 예측이 맞으면 정보를 가려버리고 (억제), 예상과 다를 때만 정보를 보냈습니다.
   • 비유: 경찰이 "차 없으니 통과 금지"라고 미리 막아놓으면, 차가 없으면 그냥 지나가고, 차가 나타나면만 신호를 보내는 것과 같습니다.

💡 이 연구가 우리에게 주는 메시지

이 연구는 뇌가 단순히 "오류를 찾아서 고치는 기계"도, "단순히 데이터를 압축하는 기계"도 아니라고 말합니다.

• 뇌는 지능적인 필터입니다.
  • 깊은 층에서는 세상을 이해하기 위해 끊임없이 예측을 수정하고 (예측 코딩),
  • 얕은 층에서는 예측과 일치하는 정보는 무시하고, 예상치 못한 놀라운 정보 (새로운 것) 만 선별해서 위로 보냅니다 (예측 라우팅).

이처럼 뇌는 예측과 억제, 그리고 선택적 집중을 통해 엄청난 양의 정보 속에서 가장 중요한 것만 골라냅니다. 이 원리를 이해하면, 우리 뇌가 어떻게 주의를 집중하는지, 그리고 인공지능 (AI) 을 더 똑똑하게 만들 수 있는지에 대한 힌트를 얻을 수 있습니다.

한 줄 요약:

"뇌는 깊은 곳에서는 미래를 예측하며 수업을 하고, 얕은 곳에서는 '예상한 대로면 무시하고, 예상치 못한 것만' 골라내서 세상을 봅니다."

기술 요약

논문 요약: 시각 탐색 과제 중 뇌 위계 구조에서의 예측 계산에 대한 증거

1. 연구 배경 및 문제 제기 (Problem)

대뇌 피질은 고차원의 감각 입력을 저차원의 표현으로 압축하여 환경에 대한 내부 모델을 구축하는 예측 시스템으로 작동한다는 증거가 많습니다. 이 내부 모델은 하향식 (top-down) 신호를 생성하여 들어오는 감각 정보를 필터링하고, 예측되지 않은 (즉, 더 정보량이 많은) 입력을 선별하여 처리합니다.
이러한 메커니즘을 설명하기 위해 예측 부호화 (Predictive Coding, PC), 예측 라우팅 (Predictive Routing, PR), 오토인코더 (Autoencoders, AE) 등 여러 계산적 프레임워크가 제안되었습니다. 그러나 기존 연구들은 이러한 모델들이 서로 호환될 수 있어, 실제 뇌 데이터 (LFP) 를 통해 각 모델의 상대적 기여도를 실험적으로 구분하고 검증하는 데 한계가 있었습니다. 특히, 피드백/피드포워드 입력의 제약 조건과 3 개 이상의 뇌 영역 간의 정보 흐름 (삼중체 상호작용) 을 어떻게 모델링하느냐에 따라 알고리즘의 차이가 발생하지만, 이를 명확히 비교하는 방법이 부재했습니다.

2. 방법론 (Methodology)

저자들은 세 가지 후보 알고리즘 (PC, PR, AE) 을 직접 비교하기 위해 새로운 접근법을 도입했습니다.

• 데이터: 시각 탐색 과제 (Visual Search Task) 수행 중 원숭이 (Rhesus monkey) 의 V4, 7A, PFC 영역에서 층별 (layer-resolved) 로 기록된 국소 필드 전위 (LFP) 데이터를 사용했습니다. (Bastos et al., 2020a 의 데이터 재분석)
• 모델링 프레임워크:
  • 세 가지 알고리즘을 공통의 수학적 형식인 일반 선형 모델 (General Linear Model, GLM) 로 재구성했습니다.
  • 이를 통해 각 모델이 생성하는 유효 연결성 (Effective Connectivity) 을 학습 가능한 가중치로 도출했습니다.
  • 신경장 (Neural Field) 모델을 기반으로 하여, 피질 깊이에 따른 상태 (State/Prediction) 신호와 오차 (Error) 신호의 역동성을 모델링했습니다.
    • 예측 부호화 (PC): 하향식 예측과 상향식 오차 신호가 상호작용하며 오차를 최소화합니다. 3 개 영역 (V4-7A-PFC) 간의 삼중체 상호작용을 가정하며, 피드백과 피드포워드가 모두 존재합니다.
    • 오토인코더 (AE): 피드백 없이 하향식 (feedforward) 으로만 정보가 전달되며, 자극 정보를 보존하는 것을 목표로 합니다.
    • 예측 라우팅 (PR): 명시적인 오차 계산 없이, 깊은 층의 깊은 층 (deep layer) 예측 신호가 얕은 층 (superficial layer) 의 감각 입력을 억제 (predictive suppression) 하는 방식으로 작동합니다.
• 학습 및 비교:
  • GLM 을 LFP 데이터에 훈련시켜 각 알고리즘에 특화된 유효 연결성 행렬을 학습시켰습니다.
  • 베이지안 모델 비교 (Bayesian Model Comparison, BMC) 와 자유 에너지 (Free Energy) 근사치를 사용하여 각 모델이 관측된 데이터를 생성했을 가능성 (모델 증거, Model Evidence) 을 정량화했습니다. 자유 에너지는 모델 적합도와 복잡도 (과적합 방지) 를 동시에 고려합니다.

3. 주요 기여 (Key Contributions)

1. 알고리즘 비교를 위한 통합 수학적 프레임워크 제시: 서로 다른 뇌 계산 이론 (PC, PR, AE) 을 동일한 GLM 구조로 변환하여, 파라미터 수를 동일하게 유지하면서 공정한 비교를 가능하게 했습니다.
2. 동적 최적화 및 삼중체 상호작용 강조: 예측 부호화가 입력 특이적 (input-specific) 방식으로 뇌 위계 간의 신호 전달을 동적으로 최적화한다는 점을 수식화하고, 3 개 영역 (V4, 7A, PFC) 간의 정보 흐름을 분석할 수 있는 모델을 개발했습니다.
3. 층별 (Layer-specific) 계산 메커니즘 규명: 뇌의 깊은 층 (deep layers) 과 얕은 층 (superficial layers) 에서 서로 다른 알고리즘이 작동할 수 있음을 보여주었습니다.

4. 결과 (Results)

• 깊은 층 (Deep Layers, 상태 신호): PFC 와 V4 로부터의 피드백 및 피드포워드 입력을 통합하는 7A 영역의 깊은 층 활동은 예측 부호화 (PC) 모델이 가장 잘 설명했습니다. 베이지인 팩터 (Bayes Factor, BF) 분석 결과, PC 모델이 오토인코더 (AE) 모델보다 깊은 층의 상태 표현을 설명하는 데 훨씬 더 유력한 것으로 나타났습니다 (BF ≈ 152~175). 이는 깊은 층의 상태 표현이 위계적 메시지 전달 (hierarchical message passing) 을 필요로 함을 시사합니다.
• 얕은 층 (Superficial Layers, 오차/감각 신호): 7A 영역의 얕은 층 활동은 예측 라우팅 (PR) 모델이 예측 부호화 (PC) 모델보다 더 잘 설명했습니다 (BF ≈ 982~1109). 이는 얕은 층에서 명시적인 오차 계산 (error computation) 이 수행되기보다는, 깊은 층에서 내려오는 예측 신호에 의한 억제 (predictive suppression) 메커니즘이 감각 입력을 필터링한다는 가설을 지지합니다.
• 결론: 뇌는 단일 알고리즘이 아닌 하이브리드 방식으로 작동합니다. 깊은 층에서는 예측 부호화 (계층적 메시지 전달) 가, 얕은 층에서는 예측 라우팅 (예측에 의한 억제) 이 동시에 작동하여 시각 탐색 과제를 수행합니다.

5. 의의 및 중요성 (Significance)

• 뇌 계산 메커니즘의 정밀한 규명: 이 연구는 뇌가 단순히 하나의 알고리즘을 사용하는 것이 아니라, 뇌 영역의 층별 (laminar) 특성과 위계적 위치에 따라 다른 계산 전략 (예측 부호화 vs 예측 라우팅) 을 혼용함을 실험적으로 입증했습니다.
• 이론과 생리학적 데이터의 연결: Marr 의 계산, 알고리즘, 구현의 세 수준을 연결하는 중요한 사례로, 추상적인 계산 이론을 실제 신경 회로의 생리학적 특성 (층별 연결성, 주파수 대역) 과 직접적으로 매핑했습니다.
• AI 및 신경과학의 교량: 뇌의 주의를 구현하는 메커니즘을 이해함으로써, 트랜스포머 (Transformer) 나 추천 시스템과 같은 현대 AI 아키텍처를 개선하고, 더 효율적인 인공 신경망을 설계하는 데 기여할 수 있습니다.
• 방법론적 혁신: 학습된 유효 연결성을 기반으로 한 모델 비교 접근법은 향후 뇌의 다양한 계산 알고리즘을 검증하는 데 강력한 도구로 활용될 수 있습니다.

요약하자면, 이 논문은 시각 탐색 과제 중 뇌의 위계적 구조에서 깊은 층은 예측 부호화 (오차 최소화) 를, 얕은 층은 예측 라우팅 (예측 기반 억제) 을 통해 정보를 처리한다는 하이브리드 모델을 제시하며, 이를 LFP 데이터와 베이지안 모델 비교를 통해 강력하게 지지했습니다.