Specialized Computations for Generalized World Modelling in Medial Prefrontal Cortex

이 연구는 내측 전전두피질이 다양한 영역에 특화된 표현을 하는 것이 아니라, 확률적 추론, 작업 상태의 좌표 체계화, 그리고 예측 오차를 통한 모델 유효성 감시라는 세 가지 보편적 계산을 수행하여 다양한 환경의 세계 모델을 학습한다는 것을 밝혀냈습니다.

핵심

이 연구는 우리 뇌의 **'중간 전두엽 (medial Prefrontal Cortex)'**이라는 부분이 어떻게 세상을 이해하고 학습하는지 그 비밀을 밝혀낸 흥미로운 논문입니다.

간단히 말해, **"우리의 뇌는 세상을 배우는 방식이 '상황 (공간, 사람, 순서)'마다 다르기 때문일까, 아니면 '계산 방식'이 다르기 때문일까?"**라는 질문에서 시작합니다.

연구진은 이 질문에 답하기 위해 아주 창의적인 실험을 했습니다.

🎮 실험: 세 가지 다른 세계, 같은 규칙

연구진은 참가자들에게 세 가지 완전히 다른 '가상 세계'를 경험하게 했습니다.

1. 공간 세계: 마을에 있는 금광과 돌광의 개수를 보고, 그 마을에 ' Tent(천막)'가 있는지 'Tower(탑)'가 있는지 추측하는 게임.
2. 사회 세계: 두 명의 도적 여왕이 시장과 어떤 관계 (친구 vs 연인) 를 맺고 있는지, 그들의 행동 속도를 보고 추측하는 게임.
3. 순서 세계: 나무 더미가 움직이는 거리와 방향을 보고, 그 나무를 '자르거나' '태우거나' 해야 할지 결정하는 게임.

여기서 핵심은?
세 가지 게임의 **겉모습 (내용)**은 완전히 달랐지만, **숨겨진 규칙 (수학적 구조)**은 모두 똑같았습니다. 마치 "사과, 오렌지, 바나나"라는 다른 과일을 먹지만, 모두 "당분과 섬유질"이라는 같은 영양소 구조를 가진 것과 같습니다.

🔍 발견: 뇌는 '내용'이 아니라 '계산'에 특화되어 있다

연구진은 뇌를 촬영하며 이 세 가지 게임을 학습하는 과정을 관찰했습니다. 결과는 놀라웠습니다.

• 기존의 생각: 뇌의 특정 부위는 '사회적'인 일을, 다른 부위는 '공간적'인 일을 따로 맡고 있을 것이다. (예: amPFC 는 사람 생각, vmPFC 는 공간 생각)
• 실제 발견: 뇌는 **세상 내용 (사과 vs 오렌지)**에 따라 반응하지 않았습니다. 대신, 어떤 계산을 해야 하는지에 따라 반응했습니다.

마치 요리사를 생각해보세요.

• 기존 생각: "이 사람은 생선 요리만 하고, 저 사람은 고기 요리만 한다."
• 실제 발견: "이 사람은 '재료를 다지는' 일을 하고, 저 사람은 '불 조절'을 하고, 또 다른 사람은 '맛을 보는' 일을 한다."
  • 생선이든 고기든, 다지는 일을 할 때는 같은 부위가, 맛을 보는 일을 할 때는 다른 부위가 활성화된 것입니다.

🧠 뇌의 세 가지 '계산 전문가'

연구진은 뇌의 중간 전두엽이 세 가지 다른 '계산 전문가'로 나뉘어 있다는 것을 발견했습니다. 이 세 부위는 어떤 세상 (공간, 사회, 순서) 이든 상관없이 같은 일을 합니다.

1. vmPFC (배쪽 중간 전두엽): "비밀 지도를 그리는 탐정" 🕵️‍♂️

• 역할: 눈에 보이는 정보 (예: 광산 개수, 도적의 속도) 뒤에 숨겨진 **진짜 규칙 (확률)**을 찾아냅니다.
• 비유: 비가 오는 날, 우산을 들고 다니는 사람들을 봅니다. 이 사람은 "아, 비가 오고 있구나"라고 추측합니다. 하지만 vmPFC 는 단순히 "비가 온다"는 사실만 기억하는 게 아니라, **"구름이 얼마나 짙어졌는지, 비가 언제 그칠지"**에 대한 내부 지도를 그립니다.
• 기능: 눈에 보이는 데이터만 보고, 그 뒤에 숨겨진 '진짜 상태'를 추론합니다.

2. amPFC (앞쪽 중간 전두엽): "나침반과 좌표계를 만드는 항해사" 🧭

• 역할: 우리가 배운 여러 가지 상태 (예: 천막 마을 vs 탑 마을) 를 서로 구별하고, 그 사이를 이동할 때 방향을 잡습니다.
• 비유: 우리가 길을 찾을 때, "동쪽에서 서쪽으로 갔다"라고 기억하는 것처럼, 뇌는 "이 상태는 저 상태와 90 도 각도로 다르다"라고 좌표를 매깁니다.
• 기능: "지금 내가 어디에 있고, 다음으로 어디로 가야 할지" 방향을 잡아주는 좌표계 역할을 합니다. 사회적 관계든, 공간 이동이든, 관계의 방향을 파악하는 데 쓰입니다.

3. dmPFC (등쪽 중간 전두엽): "예상치 못한 일을 감지하는 경보 시스템" 🚨

• 역할: 내가 생각한 대로 세상이 움직이는지, 아니면 **놀라운 일 (Surprise)**이 일어나는지 감시합니다.
• 비유: 당신이 "내일 비가 오겠지"라고 생각했는데, 갑자기 눈이 내리면 놀라죠? dmPFC 는 바로 그 놀라움을 감지합니다. "아, 내 예측이 틀렸다! 계획을 바꿔야 해!"라고 신호를 보냅니다.
• 기능: 현재의 전략이 맞는지 확인하고, 예상과 다를 때 새로운 전략으로 전환하게 만듭니다.

💡 결론: 뇌는 '만능 도구'를 가지고 있다

이 연구는 우리 뇌가 세상의 모든 것을 따로따로 배우는 게 아니라, 세상의 복잡한 현상 뒤에 숨겨진 공통된 '수학적 구조'를 찾아내는 능력을 가지고 있음을 보여줍니다.

• vmPFC는 숨겨진 규칙을 추론하고,
• amPFC는 그 규칙들을 좌표로 정리하며,
• dmPFC는 예측이 틀렸을 때 전략을 수정합니다.

이 세 가지 '계산 도구'는 공간, 사람, 순서 등 어떤 분야든 똑같이 작동합니다. 즉, 우리 뇌는 특정 주제 (예: 사랑, 지도, 게임) 에 특화된 부위가 아니라, **어떤 상황에서도 유연하게 세상을 모델링할 수 있는 강력한 '만능 학습 시스템'**을 가지고 있다는 것입니다.

이처럼 뇌가 어떻게 세상을 이해하는지 이해하면, 인공지능을 더 똑똑하게 만들거나, 학습 장애를 가진 분들을 돕는 새로운 방법을 찾을 수 있을 것입니다.

기술 요약

이 논문은 **내측 전전두엽 (medial Prefrontal Cortex, mPFC)**이 다양한 영역 (공간, 사회적, 순차적) 에서 유연한 내부 세계 모델 (internal world models) 을 학습하는 데 있어, **영역 특이적 (domain-specific)**인지 아니면 **연산적 (computational)**으로 특화되어 있는지를 규명하기 위해 수행된 연구입니다.

저자들은 mPFC 의 기능적 특화가 특정 경험 영역 (예: 사회적 상호작용) 에 국한된 것이 아니라, **보편적인 계산 과정 (general-purpose computations)**을 수행하는 데 기반한다는 가설을 검증했습니다.

다음은 논문의 기술적 요약입니다.

---

1. 연구 문제 (Problem)

• 배경: 내측 전전두엽 (mPFC) 은 다양한 도메인에서 유연한 내부 모델을 학습하는 데 핵심적인 역할을 합니다. 그러나 mPFC 가 어떻게 이러한 일반화를 달성하는지는 명확하지 않습니다.
• 가설 대립:
  1. 표상적 특화 (Representational Specialization): mPFC 의 하위 영역들이 특정 도메인 (사회적, 공간적 등) 의 특징을 인코딩하는 데 특화되어 있다는 관점.
  2. 계산적 특화 (Computational Specialization): mPFC 가 도메인과 무관하게 특정 계산 과정 (예: 확률적 추론, 좌표계 구성, 정책 모니터링) 을 수행하는 데 특화되어 있다는 관점.
• 과제: 기존 연구들은 도메인과 계산 과정이 서로 상관관계가 있어 (예: 자연스러운 영화 시청) 이를 분리하기 어려웠습니다. 본 연구는 도메인은 다르지만 동일한 계산적 요구사항을 가진 과제를 설계하여 이 두 가설을 검증하고자 했습니다.

2. 방법론 (Methodology)

A. 실험 설계: 가상 세계 모델 학습 과제

• 참가자: 31 명 (fMRI 촬영).
• 3 가지 도메인:
  1. 공간 (Spatial): 지형의 랜드마크와 광산 (금/은) 의 관계.
  2. 사회 (Social): 두 사람의 상호작용 (친구/적대적) 과 행동 (선물/무기) 의 관계.
  3. 순차 (Sequential): 물체의 이동 경로와 거리.
• 과제 구조:
  • 표면적 특징 (Observable Features): 각 도메인마다 자극의 외형 (이미지, 비디오) 과 특징 ($x, y, z$) 이 완전히 다릅니다.
  • 잠재적 구조 (Latent Structure): 모든 도메인은 동일한 확률 분포를 따릅니다. 이진 특징 $y$ (예: 텐트/타워) 와 연속적 특징 $z$ (예: 광산 수, 이동 속도) 간의 관계가 두 개의 가우시안 분포 (평균이 다름) 로 생성됩니다.
  • 학습 단계: 참가자는 $x$ 특징에 따른 범주화 (의식적 과제) 를 수행하면서, $y$와 $z$ 간의 관계를 무감독적으로 (unsupervised) 학습합니다.
  • 테스트 단계: 학습된 잠재 구조를 기반으로, $z$ 값이 주어졌을 때 숨겨진 $y$ 값을 추론해야 합니다.

B. 계산 모델링 (Computational Modeling)

• 참가자의 학습 행동을 설명하기 위해 5 가지 모델을 비교했습니다:
  1. 무작위 응답자 (Random Responder)
  2. 결정 경계 학습자 (Boundary Learner)
  3. 원형 학습자 (Prototype Learner)
  4. 규범적 베이지안 학습자 (Normative Bayesian Learner)
  5. 몬테카를로 샘플러 (Monte Carlo Sampler): 마르코프 체인 몬테카를로 (MCMC) 를 기반으로 한 근사 베이지안 추론 모델.
• 결과: 몬테카를로 샘플러가 참가자의 행동 데이터 (특히 테스트 단계의 순차적 효과와 편향) 를 가장 잘 설명했습니다. 이는 인간이 완전한 확률 분포를 계산하는 대신, 제한된 샘플링을 통해 잠재 상태를 추론함을 시사합니다.

C. 신경영상 분석 (Neuroimaging Analysis)

• Representational Similarity Analysis (RSA):
  • 자극 기반 RSA: 관찰 가능한 자극 특징 ($x, y, z$) 이 mPFC 패턴을 예측하는지 확인 (결과: 실패).
  • 과정 기반 RSA (Process-based RSA): 몬테카를로 샘플러로부터 도출된 **잠재 상태 (latent state)**의 계산적 변수를 기반으로 mPFC 패턴을 예측.
• 세 가지 계산 변수 정의:
  1. 상태 변화 (State Change, $\Delta\mu$): 학습 과정에서 가우시안 평균 파라미터 ($\mu$) 의 추정치가 업데이트되는 정도.
  2. 프레임 변화 (Frame Change, $\theta$): 특정 상태 내에서의 방향적 변화와 상태 간 전환 (직교 축 이동) 을 포함하는 전체 작업 좌표계에서의 각도 변화.
  3. 전환 놀라움 (Transition Surprise, $\lambda$): 이전 상태의 예측 분포 하에서 새로운 관찰치가 얼마나 놀라운지 (예측 오류/정책 유효성 평가).

3. 주요 결과 (Key Results)

A. 도메인 특이적 표상의 부재

• 관찰 가능한 자극 특징 ($x, y, z$) 이나 학습 난이도에 기반한 RSA 분석에서는 mPFC 에서 유의미한 패턴이 발견되지 않았습니다. 이는 mPFC 가 표면적 자극에 반응하지 않음을 의미합니다.

B. mPFC 하위 영역의 계산적 특화 (Domain-General Computations)

세 가지 계산 변수가 mPFC 의 서로 다른 하위 영역과 강력하게 연관되었으며, 이는 모든 3 가지 도메인에서 일관되게 나타났습니다.

1. 복측 내측 전전두엽 (vmPFC): 확률적 추론 및 상태 추정

   • 연산: 관찰된 데이터로부터 숨겨진 확률 분포를 추론하고, 잠재 공간 (latent space) 내에서 상태 파라미터 ($\mu$) 의 업데이트 정도 ($\Delta\mu$) 를 추적.
   • 결과: 학습 초기에는 큰 업데이트가, 후기에는 작은 업데이트가 vmPFC 패턴과 상관관계를 보였습니다. 이는 vmPFC 가 도메인 무관하게 잠재 상태의 확률적 추론을 수행함을 시사합니다.

2. 전방 내측 전전두엽 (amPFC): 전역 작업 좌표계 (Global Task Coordinate System)

   • 연산: 4 가지 서로 다른 작업 상태 ($x_1y_1, x_1y_2, x_2y_1, x_2y_2$) 를 직교하는 축으로 조직화하고, 상태 내에서의 방향적 변화와 상태 간 전환을 추적.
   • 결과: amPFC 는 상태 간의 전환과 방향적 변화 (각도 변화) 를 인코딩했습니다. 이는 사회적 추론뿐만 아니라 모든 도메인에서 **관계적 비교와 목표 선택을 위한 참조 프레임 (Reference Frame)**을 구축하는 역할을 함을 보여줍니다.

3. 등측 내측 전전두엽 (dmPFC): 예측 놀라움 및 정책 모니터링

   • 연산: 현재 내부 모델의 유효성을 평가하기 위해 '예측 놀라움 (Predictive Surprise)'을 계산. 높은 놀라움은 현재 정책의 수정 필요성을 신호합니다.
   • 결과: dmPFC 는 관찰된 데이터가 예측과 얼마나 다른지 (놀라움) 에 반응했습니다. 이는 학습 중 반응 시간 (RT) 과도 상관관계가 있어, dmPFC 가 작업 정책 (task policy) 의 적응적 변경을 모니터링함을 시사합니다.

C. 학습과 추론의 일관성

• 학습 단계와 테스트 단계 모두에서 동일한 세 가지 계산 과정 (상태 추정, 좌표계 유지, 정책 평가) 이 각각 vmPFC, amPFC, dmPFC 에서 관찰되었습니다. 이는 mPFC 가 학습과 추론에 동일한 계산적 기제를 공유함을 의미합니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. mPFC 기능의 재해석: mPFC 의 기능적 특화는 '무엇을 (도메인)' 처리하는지에 따른 것이 아니라, '어떻게 (계산)' 처리하는지에 따른 것임을 입증했습니다.
2. 세계 모델 학습의 분업 구조: mPFC 내부에 세계 모델을 구축하기 위한 3 단계의 분업 구조를 제시했습니다.
   • vmPFC: 잠재 상태의 확률적 추론 (What is the state?).
   • amPFC: 상태 간의 관계적 조직화 및 좌표계 구축 (Where is the state in the map?).
   • dmPFC: 모델의 유효성 평가 및 정책 변경 (Is the current strategy valid?).
3. 근사 베이지안 추론의 신경 기제: 인간의 학습이 완벽한 베이지안 추론이 아니라, 몬테카를로 샘플링과 같은 근사적 과정을 통해 이루어지며, 이것이 mPFC 의 신경 활동 패턴으로 구현됨을 보였습니다.
4. 통합적 프레임워크: 사회적 추론, 공간 학습, 행동 계획 등 이전 연구들에서 별개로 보고되었던 mPFC 의 다양한 역할을, 단일한 일반 목적의 모델 기반 추론 시스템으로 통합하여 설명할 수 있는 이론적 틀을 제공합니다.

결론

이 연구는 인간이 복잡한 세계를 이해하고 적응하기 위해 내측 전전두엽을 활용하는 방식이 특정 경험 영역에 국한되지 않으며, 확률적 추론, 좌표계 조직화, 정책 모니터링이라는 보편적인 계산 알고리즘을 통해 다양한 도메인의 세계 모델을 학습하고 추론한다는 것을 규명했습니다. 이는 뇌가 어떻게 제한된 자원으로 유연한 지능을 발현하는지에 대한 중요한 통찰을 제공합니다.