🧠 neuroscience

Predictive abstract task representations support few-shot learning in the rat brain

이 연구는 쥐가 안와전두피질 내의 추상적인 '역할' 표현을 특정 행동으로 빠르게 재매핑함으로써 퓨샷 학습(few-shot learning)을 달anam하며, 이를 통해 단 몇 번의 시행만으로 과업 구조를 일반화하고 새로운 우연성에 적응할 수 있음을 보여준다.

원저자: Karayanni, M., Jankowski, M. M., Loewenstein, Y., Nelken, I.

게시일 2026-07-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Karayanni, M., Jankowski, M. M., Loewenstein, Y., Nelken, I.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신의 뇌를 아주 똑똑하고 끊임없이 업데이트되는 비디오 게임 콘솔이라고 상상해 보세요. 대부분의 시간 동안, 이 게임에서의 학습은 지루한 반복(grind)입니다. 당신은 같은 벽에 부딪히고, 실패하고, 다시 시도하고, 조금 덜 실패하며, 수백 번의 시도 끝에 천천히 나아집니다. 이것이 전화번호 목록을 외울 때까지 반복하는 것과 같은 일반적인 학습 방식입니다. 하지만 때때로 동물들(그리고 인간들)은 '퓨샷 러닝(few-shot learning, 적은 사례 학습)'이라는 초능력을 보여줍니다. 이것은 게임의 새로운 레벨을 처음 봤을 때, 규칙이 약간 달라졌다는 것을 깨닫고 단 두세 번의 시도만으로 즉시 승리 전략을 파악하는 것과 같습니다. 이는 도시의 모든 거리를 하나하나 외우는 것과, 격자 체계를 너무 잘 이해해서 새로운 동네에서도 즉시 길을 찾아내는 것의 차이와 같습니다. 과학자들은 오랫동안 궁금해했습니다. 뇌가 어떻게 이런 일을 해내는지 말이죠. 구체적으로, 우리의 뇌에 단순히 세부 사항을 암기하는 것이 아니라 새로운 상황의 '구조'를 즉각적으로 파악할 수 있게 해주는 특별한 '치트 코드'가 존재하는가 하는 점입니다. 뇌 앞쪽 깊숙한 곳에 위치한 영역인 안와전두피질(OFC)은 정보 조직화의 달인으로 알려져 있지만, 이들이 이러한 빠른 학습을 따라잡을 만큼 빠르게 '치트 코드'를 업데이트할 수 있는지는 알려져 있지 않았습니다.

이 논문은 쥐의 뇌를 심층 연구하여 그들이 어떻게 이 정신적인 마술을 부리는지 살펴봅니다. 연구진은 쥐를 위해 '래트 인터랙티브 포리징 퍼실리티(RIFF)'라고 불리는 첨단 기술이 적용된 원형 놀이터를 만들었습니다. 이 안에서 쥐들은 특정 먹이 포트를 찌르고, 그다음 특정 두 번째 포트를 찌르면 보상을 받는 특정한 순서를 배워야 했습니다. 하지만 반전이 있었습니다. 쥐가 보상을 11번 받을 때마다 게임의 규칙이 바뀌었습니다. 두 개의 올바른 포트 위치가 새로운 곳으로 바뀌었고, 쥐들은 아무런 예고 없이 즉시 새로운 쌍을 찾아내야 했습니다. 쥐들은 놀라웠습니다. 그들은 무작ful하게 추측하는 대신, 새로운 순서에서 단 두세 번의 성공적인 보상만으로 거의 완벽하게 수행하며 눈 깜짝할 사이에 새로운 규칙을 파악해 냈습니다.

그들이 어떻게 이 일을 해냈는지 이해하기 위해, 과학자들은 쥐들이 게임을 하는 동안 OFC 내 수천 개의 뉴런에서 발생하는 전기적 활동을 기록했습니다. 그들은 특정한 유형의 정신적 표상을 찾고 있었습니다. 그들은 쥐들이 '어디를' 찔러야 하는지(행동)와 '어떤 상태'에 있는지(예: "첫 번째 포트를 찾아야 하는 상태" 대 "두 번째 포트를 찾아야 하는 상태")를 알고 있다는 것을 알고 있었습니다. 하지만 그들은 훨씬 더 추상적인 것을 발견했습니다. 쥐들의 뇌가 '역할(role)'을 코딩하고 있었던 것입니다. 연극을 생각해 보세요. 배우들(물리적인 포트들)은 매일 밤 바뀌지만, 역할(주인공, 악당, 조연)은 그대로 유지됩니다. 쥐들의 뇌는 단순히 "포트 A는 주인공이다"라고 기억하는 것이 아니라, "내가 먼저 찌르는 포트는 '첫 번째 단계' 역할이고, 내가 두 번째로 찌르는 포트는 '두 번째 단계' 역할이다"라는 것을 학습하고 있었습니다.

가장 흥적인 부분은 이 과정이 얼마나 빨랐는가 하는 점입니다. 연구진은 게임 규칙이 바뀔 때, OFC의 뉴런들이 며칠에 걸쳐 서서히 발화율을 조정하는 것이 아님을 발견했습니다. 대신, 그들은 새로운 포트를 기존의 역할에 즉시 재매핑했습니다. 단 2~3번의 보상 만에, 뉴럴 활동은 새로운 포트를 마치 기존의 것인 것처럼 취급하도록 전환되었으며, 이는 사실상 "좋아, 이 새로운 포트가 이제 '첫 번째 단계' 배우다"라고 말하는 것과 같았습니다. 이러한 역할의 빠른 재매핑은 뇌가 시행착오라는 느린 반복 과정을 건너뛰기 위해 이러한 추상적인 '역할' 표상을 사용한다는 것을 시사합니다. 이는 쥐들이 단순히 운이 좋은 것이 아니라, 뇌가 패턴을 즉각적으로 인식하고 유연한 전략을 적용하고 있다는 뜻입니다. 이 연구는 역할을 빠르게 재할당하는 능력이 퓨샷 러닝의 핵심 비결이며, 이를 통해 뇌가 아주 적은 경험만으로도 새로운 상황을 즉시 마스터할 수 있도록 한다는 점을 시사합니다. 이 연구는 이러한 신경 활동과 행동 사이의 강력한 연관성을 보여주지만, 저자들은 이 특정 활동이 학습을 '유발'한다는 것을 아직 입증하지는 못했다고 언급했습니다. 다만 그 타이밍이 완벽하게 일치한다는 점은 이것이 뇌의 빠른 학습 도구 상자에서 핵심적인 역할을 하고 있음을 시사합니다.

기술 요약: 예측적 추상 과업 표상(Predictive Abstract Task Representations)이 쥐의 뇌에서 소수 샷 학습(Few-Shot Learning)을 지원함

문제 제식 (Problem Statement)
소수 샷 학습(few-shot learning)—적은 경험으로부터 규칙이나 전략을 빠르게 추론하는 능력—은 유연한 인지의 핵심적 특징이다. 안와전두피질(OFC)이 과업 구조의 추상적 표상을 부호화한다는 사실은 확립되어 있으나, 이러한 표상이 변화하는 과업 조건(contingencies)에 맞춰 소수 샷 학습의 빠른 시간 척도(초에서 분 단위) 내에서 적응할 수 있는지 여부는 알려진 바 없다. 기존 연구들은 일반적으로 며칠 또는 여러 세션에 걸친 느린 시간 척도에서 추상적 표상을 조사해 왔다. 본 연구는 행동적 빠른 적응과 이를 지원하는 신경 메커니즘 사이의 간극을 다루며, 특히 과업 구조 내에서의 '역할'(action의 기능)에 대한 OFC의 표상이 행동 성능이 향상되는 것만큼 빠르게 재매핑(remapping)될 수 있는지 조사한다.

방법론 (Methodology)
본 연구는 6개의 상호작용 영역(IA)이 있는 원형 아레나인 쥐 상호작용 채집 시설(RIFF)에서 순차 학습 과업을 수행하는 5마리의 암컷 Sprague Dawley 쥐를 대상으로 하였다.

과업 설계: 과업은 세 가지 상태(State 1, State 2, 보상 상태)와 6가지 가능한 행동(특정 IA로의 찌르기/poke)을 가진 마르코프 결정 과정(MDP)으로 모델링되었다. 각 "순차 블록(sequence block)"에서는 두 개의 특정 IA가 올바른 행동( $a_1$ 은 State 1에서, $a_2$ 는 State 2에서)으로 지정되어, 동물이 상태를 통과하여 보상을 받도록 설계되었다.
조건 변화 (Contingency Changes): 11번의 보상 후에, 명시적인 단서 없이 올바른 IA의 순서가 변경되었다. 쥐는 보상을 다시 받기 위해 새로운 $a_1$ 과 $a_2$ 를 식별해야 했다. 과업 구조(상태 및 전이)는 일정하게 유지되었으며, 오직 행동과 역할 사이의 매핑만이 변했다.
행동 분석: 쥐들은 안정적인 성능 수준에 도달할 때까지 수개월 동안 훈련되었다. 행동 지표에는 보상당 찌르기 횟수, 오류 유형(교체 오류 vs. 순서 이탈 오류), 탐색 전략(복원 추출 vs. 비복원 추출을 통한 샘플링)이 포함되었다.
신경 기록: 3마리의 쥐의 OFC에 Neuropixels 1.0 프로브를 만성적으로 이식하였다. 자유롭게 움직이는 쥐로부터 과업 수행 중 신경 활동을 기록하였다.
데이터 처리:
- 운동 관련 변동성(머리 방향, 달리기 속도)을 신경 활동에서 회귀 분석하여 제거하였다.
- 찌르기 전 활동(pre-poke activity)을 각 찌르기 전 2초의 창(window)을 사용하여 정량화하였다.
- 단위(units)를 행동(특정 IA), 상태(State 1 vs. State 2), 또는 역할(행동의 기능: $a_1, a_2,$ 또는 타겟 외 행동)에 대해 선택적인 것으로 분류하였다.
- 선형 모델과 디코더를 사용하여 고유한 설명된 변동성을 정량화하고, 집단 활동으로부터 과업 변수를 예측하였다.
- 집단 궤적(population trajectories)을 분석하여 시간 의존적 역학에 대한 신경 공간의 학습 의존적 변화를 추적하였다.

주요 결과 (Key Results)

행동적 소수 샷 학습: 쥐는 조건 변화 후 2~3번의 보상 이내에 최적 성능에 가까운 수준(보상당 약 3회의 찌르기)에 도달하며 빠른 적응력을 보였다. 쥐들은 블록 간에 일반화하기 위해 과업의 반복되는 구조를 활용하였다.
- 학습은 즉각적인 보상이 없는 상태에서도 상태 전이를 통해 발생하였다. 즉, State 1에서 State 2로의 올바른 전이가 이루어졌다면, 이후의 State 2 행동이 틀리더라도 해당 행동이 강화되었다.
- 쥐들은 과업 구조에 대한 지식을 활용하였다: 만약 $a_1$ 이 바뀌면, 이전의 $a_2$ 를 지속할 가능성이 낮아졌는데, 이는 쥐가 전체 시퀀스의 변화를 추론했음을 나타낸다.
- 학습 후의 오류는 구조화되어 있었다: "교체 오류(swap errors)"(잘못된 상태에 대해 올바른 행동을 수행하는 것)가 무작위적인 순서 이탈 오류보다 더 빈번하게 나타났으며, 순서 이탈 오류는 올바른 물리적 위치 근처에 밀집되어 있었다.
OFC는 추상적 역할을 부호화함:
- 약 65%의 OFC 단위가 적어도 하나의 과업 변수(행동, 상태 또는 역할)를 표상하였다.
- 결정적으로, 일부 단위는 역할을 부호화하였다: 즉, 물리적 IA의 정체성과 독립적인 행동의 추상적 기능(예: "첫 번째 올바른 단계" vs. "타겟 외 행동")을 나타냈다. 예를 들어, 한 블록에서는 $a_1$ 역할을 하고 다음 블록에서는 타겟 외 역할을 하는 IA는 그 새로운 역할에 대응하는 뚜렷한 신경 반응을 유발하였다.
- 이러한 역할 표상은 가치(value) 코딩과는 구별되었다: 대부분의 역할 선택적 단위들은 단순한 서열적 가치 계층( $off-target < a_1 < a_2$ )과 일치하지 않는 비단조적(non-monotonic) 반응 프로파일을 보였다.
역할 표상의 빠른 재매핑:
- 역할의 신경 표상은 행동 학습과 동일한 빠른 시간 척도에서 적응하였다.
- 결정적인 찌르기 전의 집단 궤적을 분석한 결과, 특정 행동과 관련된 신경 상태가 2~3번의 결정적인 찌르기(보상) 이내에 "타겟 외" 패턴에서 올바른 "역할" 패턴으로 이동하였다.
- 이러한 학습 의존적 집단 활동의 변화는 시행(trial)의 시간 의존적 역학과 거의 직교(orthogonal)하였으며, 이는 단순한 느린 표류(drift)가 아닌 신경 코드의 특정한 재구성임을 나타낸다.
- 역할에 대해 훈련된 디코더는 높은 정확도로 행동의 올바른 역할을 예측할 수 있었으며, 이러한 예측력은 쥐가 새로운 시퀀스를 학습함에 따라 빠르게 나타났다.

의의 및 주장 (Significance and Claims)
본 논문은 이 과업에서의 소수 샷 학습이 행동에 대한 추상적 역할의 빠른 재매핑에 의해 지원된다고 주장한다.

유연성의 메커니즘: 본 연구는 OFC가 단순히 보상 이력에 기반하여 특정 행동의 가치를 점진적으로 업데이트하는 것이 아니라고 제안한다. 대신, OFC는 과업 구조(상태 및 역할)에 대한 안정적이고 추상적인 표상을 유지하며, 조건이 변할 때 특정 행동을 이러한 역할에 빠르게 재할당한다.
시간 척도: 이 연구는 OFC의 추상적 표상이 정적이거나 형성되는 데 오래 걸리는 것이 아니라, 즉각적인 행동 유연성을 지원하기 위해 초 단위의 짧은 시간 내에서도 업데이트될 수 있음을 보여준다.
이론적 함의: 이러한 결과는 학습이 상세하고 경험에 기반한 평가로부터, 문제의 불변하는 구조를 포착하는 압축되고 범주적인 표상(역할)으로 전환되는 과정을 포함한다는 관점을 뒷받침한다. 이를 통해 새로운 사례에 대한 효율적인 일반화가 가능해진다.

한계점 (Limitations)
저자들은 데이터가 상관관계적임을 언급하였다. 즉, OFC의 역할 표상이 행동과 동시에 변화하기는 하지만, 인과적 필연성은 입증되지 않았다(표적 결손 실험 필요). 또한, 본 연구는 변수들을 별개로 분석하였으나 이들은 본질적으로 결합되어 있으며, 기록된 단위들의 구체적인 세포 유형이나 투사 목표를 식별하지 않았다.

유사한 논문