A hierarchical computational motif unifies neural dynamics across the ventral visual stream

본 연구는 하부 시각 경로를 가로지르는 신경 역학이 국소적 재귀에 의해 주도된 복잡성 축을 따라 시간에 따라 변화하는 표현들이 통합된 위계적 모티프를 따르며, 이는 현재 최첨단 동적 모델들이 재현하지 못하는 현상임을 밝혀냈다.

핵심

당신의 뇌의 시각 시스템을 책 (이미지) 이 복잡도에 따라 분류된 거대한 다층 도서관으로 상상해 보세요. 1 층에는 선과 점 같은 단순한 형태가 있고, 최상층에는 붐비는 도시 거리 같은 복잡한 장면이 있습니다.

오랫동안 과학자들은 당신이 정적인 이미지를 볼 때, 이 도서관의 각 층이 단순히 자신의 고유한 답을 "외쳐" 그 자리에 머문다고 생각했습니다. 그들은 1 층이 자신만의 고유한 사고 방식을 가지고 있고, 최상층은 완전히 다른 고유한 사고 방식을 가지며, 서로가 규칙적인 방식으로 대화하지 않는다고 믿었습니다.

이 논문은 다른 이야기를 제시합니다: '엘리베이터' 효과입니다.

연구자들은 당신이 이미지를 볼 때 뇌가 가만히 있지 않는다는 것을 발견했습니다. 대신, 뇌가 그 이미지를 표현하는 방식은 건물을 올라가는 엘리베이터와 같습니다.

1. 공통된 여정: 당신이 어느 층 (뇌 영역) 에 있든 상관없이, 정보는 단순하게 시작하여 몇 밀리초 동안 복잡도 척도를 따라 "이동"합니다. 단일 영역은 고정된 상태로 머무르지 않고 진화합니다. 그것은 먼저 단순한 가장자리를 보다가, 시간이 지남에 따라 동일한 뉴런 군집이 전체 객체를 보게 됩니다. 마치 도서관의 모든 층이 '단순'에서 '복잡'으로 정보를 이동시키는 똑같은 방식의 작은 엘리베이터를 각각 가지고 있는 것과 같습니다.
2. 전체 군중의 이동: 이는 소수의 특수한 뉴런만이 일을 하는 것이 아닙니다. 마치 경기장 전체의 관중이 일어나 함께 움직이는 웨이브와 같습니다. 그 변화는 해당 영역의 소규모 고립된 집단이 아니라, 뉴런 전체 군집에서 발생합니다.
3. 중요한 이유: 이 움직임은 복잡한 것을 이해하는 열쇠입니다. 당신은 세부적인 얼굴을 즉시 인식할 수 없습니다. 당신의 뇌는 단순한 형태를 보는 것에서 전체 얼굴을 보는 것으로 "엘리베이터를 타고 오르는" 데 그 몇 밀리초가 필요합니다.
4. 엔진: 연구자들은 각 영역 내부에 지역적 메아리처럼 작용하는 30 밀리초짜리 작은 "핑 (ping)"을 발견했습니다. 그들은 이 메아리가 뉴런이 자신과 대화하는 것 (지역적 재귀) 으로 인해 발생하며, 이것이 정보를 복잡도 사다리로 밀어 올리는 엔진 역할을 한다고 생각합니다.
5. 컴퓨터의 문제: 여기에 반전이 있습니다. 우리가 이 "엘리베이터" 패턴이 존재한다는 것을 알고 있음에도 불구하고, 오늘날 우리가 가진 가장 첨단 컴퓨터 모델들—뉴런이 자신과 대화하는 방식을 모방하도록 설계된 모델들조차도—이 행동을 복사하지 못합니다. 그들은 이미지를 볼 수는 있지만, 인간 뇌가 그렇게 시간에 따라 이해를 진화시키는 방법을 모르는 로봇과 같습니다.

간단히 말해: 뇌는 이미지를 한 번만 처리하는 것이 아니라, 시각의 모든 수준에 걸쳐 공유되는 "엘리베이터" 메커니즘을 사용하여 그 순간 동안 해당 이미지에 대한 자신의 이해를 끊임없이 업그레이드합니다. 현재의 컴퓨터 모델들은 이 중요한 단계를 놓치고 있으며, 이 논문은 그들을 수정하기 위한 명확한 목표를 제시합니다.

기술 요약

기술적 요약: 계층적 계산 모티프가 복측 시각 흐름 전반에 걸친 신경 역학을 통합함

문제 제기
개별 시각 피질 영역 내의 신경 표현은 정적 이미지가 제시될지라도 수십 밀리초에서 수백 밀리초에 걸쳐 진화하는 본질적인 역동성을 지닙니다. 역사적으로 이러한 시간적 역동성은 각 영역마다 고유한 계산적 서명을 지닌 영역 특이적 현상으로 특징지어져 왔습니다. 이러한 관점은 복측 시각 흐름 전반에 걸쳐 정보가 처리되는 방식을 지배하는 잠재적 통합 원리를 가립니다. 본 연구가 다루는 핵심 문제는 이러한 다양한 시간적 진화가 공통된 계산 모티프를 따르는지, 아니면 여전히 별개의 영역 특이적 과정으로 남는지에 대한 것입니다.

방법론
저자들은 시공간적 서명을 특징짓기 위해 복측 시각 흐름 전반에 걸친 신경 표현을 분석했습니다. 연구는 정적 이미지에 반응하여 시간이 지남에 따라 표현이 어떻게 변화하는지 측정하는 데 중점을 두었습니다. 주요 방법론적 접근법은 다음과 같습니다:

• 시공간 분석: 시각 영역의 알려진 계층적 조직과 일치하는지 여부를 판단하기 위해 시간 경과에 따른 신경 표현의 궤적을 검토함.
• 집단 수준 특징화: 이러한 역동적 변화가 신경 군집 내 특정 하위 집단에만 집중되어 있는지, 아니면 신경 군집 전반에 광범위하게 분포되어 있는지 조사함.
• 예측성 신호 탐지: 지역적 재귀와 일관된 30ms 이내의 예측성 신호를 포함하여 영역 내 특정 시간적 서명을 탐색함.
• 모델 평가: 내재된 지역적 재귀 처리를 포함하는 최신 동적 모델을 포함한 현재 최첨단 동적 모델들을 테스트하여 경험적으로 측정된 신경 역동을 재현할 수 있는지 확인함.

주요 기여 및 결과
본 연구는 복측 시각 흐름 전반에 걸친 신경 역동을 지배하는 통합된 계산 모티프를 규명했습니다:

1. 통합된 복잡성 축: 각 시각 영역 내의 표현은 시각 영역의 계층적 구조를 조직하는 동일한 복잡성 축을 따라 시간이 지남에 따라 변화합니다. 이는 영역 특이적 독창성이 아닌 공통된 시간적 궤적을 시사합니다.
2. 광범위한 분포: 이러한 변화의 시공간적 서명은 특정 고립된 하위 집단에 의해 주도되는 것이 아니라 신경 군집 전반에 광범위하게 분포되어 있음을 나타냅니다.
3. 기능적 결과: 이러한 시간적 변화는 기능적으로 중요하여, 신경 반응이 시간이 지남에 따라 진행됨에 따라 더 복잡한 이미지의 인식을 가능하게 합니다.
4. 지역적 재귀에 대한 증거: 저자들은 모든 시각 영역에서 30ms 이내의 예측성 신호에 대한 증거를 발견했습니다. 이 신호의 특성은 지역적 재귀와 일관되므로, 관찰된 표현적 변화를 주도하는 메커니즘일 수 있음을 시사합니다.
5. 모델의 한계: 이러한 역동성을 규명했음에도 불구하고, 현재 최첨단 동적 모델들은 측정된 신경 역동을 재현하지 못합니다. 이는 지역적 재귀 처리를 명시적으로 포함하는 모델에서도 지속되며, 이는 현재 이론적 프레임워크와 생물학적 현실 사이의 간극을 보여줍니다.

의의 및 주장
본 논문은 이러한 역동성을 단순히 영역 특이적인 것으로 보는 관점에 도전하며, 복측 계층 전반의 처리 역동을 통합하는 공통된 시간적 모티프를 드러냈다고 주장합니다. 이러한 변화를 주도하는 잠재적 동인으로서 지역적 재귀를 제안함으로써, 표현이 어떻게 진화하는지에 대한 기제적 가설을 제시합니다. 핵심적으로, 저자들은 자신의 발견을 최종 해결책이 아닌, 복측 시각 흐름에 대한 미래 모델들을 위한 구체적인 동적 목표로 위치시킵니다. 현재 모델들이 이러한 역동성을 일치시키지 못하는 능력은 생물학적 시스템에서 관찰된 신경 표현의 특정 시공간적 진화를 설명할 수 있는 새로운 계산적 접근법의 필요성을 강조합니다.