Synaptic Plasticity as a Function of the Temporal Derivative

당신의 뇌를 끊임없이 학습하고 적응하려고 노력하는, 뉴런들로 가득 찬 거대하고 북적이는 도시라고 상상해 보세요. 오랫동안 과학자들은 다음과 같은 의문을 품어왔습니다. 우리의 가장 진보된 인공지능(AI)이 학습에 사용하는 것과 동일한 '마법의 공식'을 뇌도 사용하는가? 그 공식은 **역전파(backpropagation)**라고 불리며, 기본적으로 실수를 확인하고 다음번에 더 잘할 수 있도록 연결을 조정하는 방법입니다.

이 논문은 뇌가 이와 매우 유사한 일을 수행하기 위해 **시간 미분(temporal derivative)**이라는 개념을 사용하는 영리한 지름길을 가지고 있을 수도 있다고 제안합니다. 쉬운 말로 설명하자면, 이것은 단순히 특정 순간에 활동이 얼마나 크거나 활발한지를 보는 것이 아니라, 시간에 따라 변화하는 속도를 보는 것을 의미합니다.

실험: 시간과의 경주

이를 테스트하기 위해, 연구진은 마우스 뇌 조직 슬라이스를 이용한 배양 접시 안의 작은 실험을 설계했습니다. 그들은 활동의 변화 방향이 연결 부위에 강화될지 혹은 약화될지를 알려줄 수 있는지 확인하고 싶었습니다.

하나의 학습 주기의 '심장 박동'으로서 200밀리초(ms)의 창(window)을 하나의 단위로 생각해보세요. 그들은 이 심장 박동을 두 개의 절반, 즉 첫 100밀리초와 다음 100밀리초로 나누었습니다.

그들은 두 가지 요소를 조합하여 네 가지 시나리오를 만들었습니다:

1. '송신자' 뉴런이 얼마나 빠르게 발화하는가 (초당 25번의 느린 박동 또는 초당 50번의 빠른 박동).
2. '수신자' 뉴런이 얼마나 흥분했는가 (낮은 전압 또는 높은 전압).

그들은 모든 조합을 테스트했습니다:

• 시나리오 A (상승): 송신자가 느리게 시작했다가 빨라졌습니다. 수신자는 차분하게 시작했다가 매우 흥분했습니다. (낮음 $\rightarrow$ 높음)
• 시나리오 B (하강): 송신자가 빠르게 시작했다가 느려졌습니다. 수신자는 매우 흥분했다가 차분해졌습니다. (높음 $\rightarrow$ 낮음)
• 시나리오 C (평탄): 송신자가 전체 시간 동안 낮고 일정한 속도를 유지했습니다. (안정적인 낮음)
• 시나리오 D (정체): 송신자가 전체 시간 동안 빠르고 일정한 속도를 유지했습니다. (안정적인 높음)

결과: 중요한 것은 추세(Trend)이다

연구진은 다음과 같은 결과를 발견했으며, 이는 뇌가 활동의 추세를 추적한다는 아이디어를 뒷받침합니다:

• 상승 (낮음에서 높음으로): 활동이 로켓이 발사되듯 치솟을 때, 뉴런 사이의 연결은 강해졌습니다. 뇌 과학에서는 이를 LTP(장기 강화)라고 부릅니다. 이는 뇌가 "헤이, 상황이 점점 더 격렬해지고 있어! 이 경로를 더 강하게 만들어서 이걸 기억하자"라고 말하는 것과 같습니다.
• 하강 (높음에서 낮음으로): 활동이 언덕을 굴러 내려가는 공처럼 떨어질 때, 연결은 약해졌습니다. 이는 LTD(장기 억제)입니다. 뇌는 본질적으로 "상황이 마무리되고 있어; 이 연결을 느슨하게 하자"라고 말하는 것입니다.
• 평탄 구간 (안정적인 낮음 또는 높음): 이 부분이 가장 흥들이로운 부분입니다. 뉴런이 매우 높고 일정한 속도로 발화하고 있었음에도 불구하고(시나리오 D), 아무런 변화가 없었습니다. 연결은 정확히 그대로 유지되었습니다.

핵심 결론

핵리 교훈은 뇌가 단순히 얼마나 많은 활동이 일어나느냐를 신경 쓰는 것이 아니라, 그 활동이 어떻게 움직이고 있는가를 신경 쓴다는 것입니다.

이것을 스테레오의 볼륨 조절 노브(knob)라고 생각해 보세요:

• 볼륨을 천천히 올리면, 뇌는 그 변화를 감지하고 연결을 강화합니다.
• 볼륨을 천천히 내리면, 뇌는 연결을 약화시킵니다.
• 하지만 볼륨 노브를 최대 상태로 고정해 두고 움직이지 않는다면, 뇌는 그것을 무시합니다. 음악이 아무리 커도 학습은 일어나지 않습니다.

이 논문은 이러한 단순한 메커니즘—활동의 '상승' 또는 '하강' 추세를 관찰하는 것—이, 중앙 컴퓨터가 오류를 계산할 필요 없이 AI가 학습하는 복잡한 수학을 근사하는 뇌의 방식일 수 있다고 결론짓습니다. 이는 뉴런이 언제 움켜쥐고 언제 놓아야 할지를 알 수 있게 해주는 국소적이고 자동적인 방법입니다.