Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
이 연구는 다중 세션 마카크 기록에 저계수 순환 신경망을 적합시킴으로써, 시퀀스 작업 기억이 항목의 지속적인 표현을 유지하는 어트랙터 유사 역학을 가진 위치 특이적 코딩 부공간에 의존하는 동시에 활동이 뚜렷한 시간적 차원을 따라 동시에 진화한다는 것을 입증한다.
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
전화를 걸거나 코드를 입력하기 위해 짧은 숫자 배열을 머릿속에 잠시 담아두는 상황을 상상해 보십시오. 작업 기억(working memory)이라고 알려진 이 정신적 능력은 원래의 자극이 사라진 후에도 몇 초 동안 정보를 활성 상태로 유지할 수 있게 해줍니다. 수십 년 동안 과학자들은 뇌가 어떻게 이 일을 수행하는지를 두고 논쟁해 왔습니다. 한 유력한 이론은 특정 뉴런 집단이 마치 켜져 있는 전구처럼 일정하게 계속 발화하며 정보를 유지한다고 제안했습니다. 또 다른 이론은 뇌가 신속하고 변화하는 활동 패턴을 사용하며, 한 뉴런 집단이 다음 뉴런을 트리거하는 연쇄 반응을 일으켜 개별적인 부분들은 끊임없이 변하더라도 전체적으로는 안정적인 그림을 만들어낸다고 제안했습니다. 이 논쟁을 해결하는 것은 뇌의 근본적인 운영 체제를 밝혀내는 데 매우 중요한데, 이는 우리의 생각이 정적인 닻에 의해 고정되어 있는지, 아니면 흐르는 강의 활동에 의한 것인지를 결정하기 때문입니다.
튀빙겐 대학교와 튀빙겐 AI 센터의 연구팀은 이제 이 문제를 조사하기 위해 복잡한 사고와 기억을 담당하는 영역인 전두엽 피질의 정교한 컴퓨터 모델을 구축했습니다. 연구진은 1개에서 3개의 시각적 형상을 기억해야 하는 과제를 수행하는 마카크 원숭이의 데이터를 사용했습니다. 원숭이들은 레버를 당기고, 특정 순서대로 나타나는 형상을 관찰한 뒤, 짧은 휴지기를 거쳐 화면을 터치하여 그 순서를 재현하도록 훈련받았습니다. 연구진은 원숭이가 이 과제를 어떻게 처리하는지 정확히 보기 위해 30번의 서로 다른 세션에 걸쳐 2,488개의 개별 뉴런의 전기적 활동을 기록했습니다.
이 방대한 데이터를 이해하기 위해 과학자들은 "데이터 제약형(data-constrained)" 순환 신경망을 만들었습니다. 이것은 실제 뉴런이 연결되고 발화하는 방식을 모방하도록 설계된 일종의 인공지능 모델입니다. 정답을 맞히는 데만 집중하는 일반적인 모델과 달리, 이 모델은 원숭이 뇌에서 관찰되는 실제의 무질서한 스파이크 패턴을 재현하도록 강제되었습니다. 모델을 실제 데이터에 맞춤으로써, 연구진은 원간 기록으로는 직접 관찰할 수 없는 뉴런들 사이의 숨겨진 역학 관계를 관찰할 수 있었습니다. 이 모델은 뉴런이 얼마나 자주 발화하는지, 그리고 서로에게 어떤 영향을 미치는지와 같은 실제 뇌 활동의 통계적 특성을 성공적으로 재현했으며, 이를 통해 생물학적 시스템을 충실히 반영하고 있음을 확인했습니다.
연구진이 이 모델의 내부 작동 방식을 분석했을 때, 정보가 저장되는 방식에서 특정한 기하학적 구조를 발견했습니다. 시퀀스의 각 항목에 대한 뇌 활동은 신경망 내에서 분리된 별도의 구역으로 조직되었습니다. 만약 원숭이가 시퀀스의 첫 번째 위치에 있는 모양을 기억한다면 활동은 특정 구역에 안착했고, 두 번째나 세 번째 모양이라면 서로 겹치지 않는 다른 구역에 안착했습니다. 이는 뇌가 각 위치를 위한 별도의 공간적 영역을 사용하여 "무엇"이 아이템인지와 그것이 시퀀스의 "어디"에 해당하는지를 추적한다는 이전의 관찰 결과를 확인시켜 주었습니다.
핵리 질문은 남았습니다. 원숭이가 기다리는 동안 그 구역 내부에서는 어떤 일이 벌어지는가? 활동은 완벽하게 정지해 있는가, 아니면 흐르는가? 연구진은 답이 두 가지 모두의 조합이라는 것을 발견했습니다. 전체적인 활동 패턴은 특정 기억을 해독할 수 있을 만큼 충분히 안정적이었지만, 기저의 역학 관계는 정적이지 않았습니다. 대신, 모델은 네트워크의 수학적 공간 내의 곡면인 안정적인 "매니폴드(manifold)" 내에 기억이 유지되고 있음을 보여주었습니다. 이 매니폴드 안에서 활동은 마치 골짜기로 굴러 들어가는 공이 바닥에 안착하는 것과 같이 움직였습니다. 이를 '끌개 상태(attractor state)'라고 합니다. 뇌가 다른 별도의 신호들을 통해 시간의 경과를 처리하고 있었음에도 불구하고, 실제 모양에 대한 기억은 이러한 안정적이고 자기 수정적인 상태들에 의해 유지되었습니다.
이 상태들이 단순히 스쳐 지나가는 일련의 사건이 아니라 진정으로 안정적이라는 것을 증명하기 위해, 연구진은 가상 실험을 수행했습니다. 연구진은 훈련된 모델을 가져와 실제 원숭이에게 빛을 사용하여 뉴런 집단을 잠시 자극하는 것과 유사한 작은 시뮬레이션 충격을 주었습니다. 연구진은 만약 충격이 활동을 경로에서 약간 벗어나게 밀어낸다면, 시스템이 자연스럽게 올바른 기억 상태로 다시 돌아온다는 것을 발견했습니다. 이는 골짜기 속의 공이 다시 바닥으로 굴러 내려오는 것과 같습니다. 그러나 만약 안정적인 표면을 따라 특정 방향으로 활동을 밀어낸다면, 모델의 기억은 영구적으로 새로운 값으로 변했습니다. 이러한 행동은 끌개 시스템의 특징으로, 작은 오류에는 저항하지만 통제된 변화는 허용합니다.
이 연구는 뇌가 단일 메커니즘에 의존하지 않는다는 점을 시사합니다. 대신, 뇌는 안정적인 끌개 상태가 기억의 구체적인 내용을 유지하는 한편, 다른 부분의 네트워크가 시퀀스의 타이밍과 흐름을 처리하는 하이브리드 전략을 사용합니다. 이 발견은 작업 기억이 순수하게 일시적이고 변화하는 연쇄 사건이라는 생각에 도전합니다. 이는 뇌가 시퀀스의 항목들을 보유하기 위해서, 시간이 흐르는 동안에도 정보를 안전하게 지키기 위한 안정적인 닻을 가지고 있어야 함을 나타냅니다. 연구진은 또한 자신들의 모델이 만약 과학자들이 지연 기간 동안 뇌에 짧고 표적화된 섭동(perturbation)을 가한다면, 시퀀스의 다른 항목에는 영향을 주지 않고 시퀀스 내의 한 아이템에 대한 원숭이의 기억을 선택적으로 바꿀 수 있다는 것을 예측한다고 언급했습니다. 이는 실제 뇌에 이러한 끌개 구조가 존재하는지 검증할 수 있는 명확하고 테스트 가능한 예측을 제공합니다.
궁극적으로, 이 연구는 기억에 대한 두 가지 대립하는 관점 사이의 간극을 메웁니다. 뇌는 모든 뉴런이 지속적으로 일정한 비율로 발화할 필요 없이 과거의 안정적인 표현을 유지할 수 있음을 보여줍니다. 기억을 특정하고 안정적인 구역으로 조직함으로써, 뇌는 주변 세계가 변하더라도 우리가 필요로 하는 정보가 정확하고 접근 가능한 상태로 유지되도록 보장합니다. 실제 생물학적 데이터에 의해 엄격하게 제약된 모델을 구축하는 연구진의 접근 방식은 우리가 어떻게 생각하고 기억하는지를 지배하는 숨겨진 규칙을 이해하는 강력하고 새로운 방법을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.