🧠 신경과학

CLEAR-FORCE: A reservoir computing framework for closed-loop brain stimulation

이 논문은 저전력 하드웨어에서 신경 질환의 개인 맞춤형 치료를 위한 유망한 솔루션을 제공하며, 신경 진동을 성공적으로 유도하거나 억제할 수 있는 실시간 적응형 폐쇄 루프 뇌 자극을 가능하게 하는 새로운 레저보어 컴퓨팅 프레임워크인 CLEAR-FORCE를 소개한다.

원저자: Moreno-Gris, A., Godin, C., Thivierge, J.-P.

게시일 2026-10-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Moreno-Gris, A., Godin, C., Thivierge, J.-P.

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

수십 년 동안 의사들은 파킨슨병, 본태성 떨림, 간질과 같은 질환을 앓는 사람들의 폭풍 치는 듯한 뇌를 진정시키기 위해 전기를 사용해 왔습니다. 특정 영역에 미세한 전기 펄스를 전달함으로써, 그들은 종종 약물로 해결할 수 없는 증상들을 완화할 수 있습니다. 하지만 현재 이러한 장치들이 작동하는 방식은 다소 경직되어 있습니다. 이 장치들은 뇌가 실제로 무엇을 하고 있는지와 상관없이 고정된 일정에 따라 동일한 패턴의 펄스를 내보냅니다. 이는 집이 이미 따뜻한지 혹은 차가운지를 무시한 채, 정해진 시간에만 히터를 켜고 끄는 온도 조절기와 같습니다. 뇌 활동은 분 단위, 심지어 초 단위로 끊임없이 변화하기 때문에, 고정된 접근 방식은 종종 목표를 놓치게 됩니다. 이는 환자의 변화하는 상태에 적응하지 못하여, 도움이 되기에는 너무 약하거나 편안하기에는 너무 강한 치료로 이어질 수 있습니다.

이를 해결하기 위해 과학자들은 스마트 온도 조절기처럼 작동하는 '폐쇄 루프(closed-loop)' 시스템을 개발하고 있습니다. 이 장치들은 뇌의 전기 신호를 지속적으로 경청하며 실시간으로 자극을 조절합니다. 만약 뇌가 발작이나 떨림의 징후를 보이기 시작하면, 장치는 즉각적으로 반응합니다. 문제는 거대한 컴퓨터를 사용하여 계산을 수행할 필요 없이, 뇌의 혼란스럽고 변화무쌍한 리듬을 따라잡을 수 있을 만큼 빠른 제어기를 만드는 것이었습니다. 새로운 연구에서 오타와 대학교의 연구진은 CLEAR-FORCE라고 불리는 해결책을 제안했습니다. 이는 실시간으로 학습하도록 설계된 일종의 인공지능으로, 매우 적은 전력을 소비하면서도 유익한 뇌 리듬을 켜고 해로운 리듬을 끌 수 있는 능력을 갖추고 있습니다.

연구진은 컴퓨터 시뮬레이션을 이용한 뇌 네트워크를 통해 이 아이디어를 테스트했습니다. 그들은 실제 뉴런처럼 전기 신호를 쏘아 올리는 100개의 작고 서로 연결된 단위들로 구성된 가상 뇌를 구축했습니다. 그런 다음, 가상 뇌에 신호를 보낼 수 있고 그 결과를 들을 수 있는 100개의 단위로 이루어진 작은 네트워크인 디지털 제어기를 만들었습니다. 핵심적인 혁신은 제어기가 학습하는 방식이었습니다. 단순히 추측하는 대신, 제어기는 자신의 신호에 대한 뇌의 반응을 관찰하고 즉각적으로 전략을 조정했습니다. 만약 뇌가 (질병에서 흔히 보이는 패턴인) 혼란스럽고 동기화된 폭발적 활동을 보이기 시작하면, 제어기는 이를 진정시키기 위해 역신호를 보내는 법을 배웠습니다. 반대로 뇌가 너무 조용해지면, 제어기는 뇌를 깨우기 위해 특정한 리듬을 주입하는 법을 배웠습니다.

시뮬레이션에서 이 시스템은 놀라울 정도로 효과적임을 입증했습니다. 연구진이 가상 뇌에 안정적이고 건강한 리듬을 만들고자 했을 때, 그들은 목표 주파수를 초당 30회 펄스로 설정했습니다. 제어기가 꺼져 있을 때 뇌는 조용하고 불규칙한 상태를 유지했습니다. 그러나 제어기가 켜지자마자, 제어기는 네트워크를 정확히 그 속도로 움직이는 안정적이고 동기화된 리듬으로 빠르게 유도했습니다. 시스템은 뇌가 이미 자체적인 리듬을 만들려고 노력하고 있을 때도 작동하여, 기존의 패턴을 성공적으로 강화했습니다. 반대로, 가상 뇌가 위험한 고에너지 활동의 폭발을 보일 때, 제어기는 이를 억제하는 법을 배웠습니다. 제-어기는 급증을 감지하고 즉시 흥분을 가라앉히는 신호를 전달하여 네트워크를 다시 차분하고 안정적인 상태로 되돌렸습니다. 이 과정은 실시간으로 이루어졌으며, 제어기는 뇌의 행동이 전개됨에 따라 적응했습니다.

또한 연구는 이 시스템이 다양한 시나리오를 얼마나 잘 처리할 수 있는지를 조사했습니다. 연구진은 제어기가 뇌의 피드백에 세심한 주의를 기울일 때 가장 잘 작동한다는 것을 발견했습니다. 만약 시스템이 뇌의 반응을 무시하고 미리 정해진 계획만을 따른다면 효과가 떨어졌습니다. 그러나 제로가 뇌의 신호를 사용하여 학습을 유도했을 때, 시스템은 넓은 범위의 속도에 걸쳐 높은 정밀도로 리듬을 유도하거나 억제할 수 있었습니다. 심지어 뇌가 다른 유형의 세포들로 구성되어 있거나 제어기가 네트워크의 일부에만 접근할 수 있는 상황에서도 작동했습니다. 이 시스템은 견고했습니다. 즉, 조건이 약간 변하더라도 무너지지 않았습니다.

실제 이식형 의료 기기에 있어 가장 중요한 점은, 연구진이 이 시스템을 실행하는 데 필요한 에너지를 계산했다는 것입니다. 제어기는 효율적으로 설계되었기 때문에 매우 적은 전력을 필요로 합니다. 연구는 수천 개의 단위만을 가진 제어기가 수백만 개의 뉴런을 가진 뇌 네트워크를 관리하면서도 단 몇 밀리와트(mW)의 전력만을 소비할 수 있음을 시사합니다. 이는 환자들이 수년간 휴대할 수 있는 배터리 기반 이식형 장치의 한계 내에 들어오는 효율성입니다. 연구진은 비록 이 결과들이 컴퓨터 시뮬레이션에서 나온 것이지만, 이것이 단순한 스마트 장치를 넘어 에너지 효율적이며 모든 개별 환자의 독특하고 변화하는 요구에 적응할 수 있는 뇌 이식 장치를 만들기 위한 길을 보여준다고 강조합니다.

기술 요약: "CLEAR-FORCE: 폐쇄 루프 뇌 자극을 위한 레저버 컴퓨팅 프레임워크"

문제 제기
전기 자극은 파킨슨병, 투렛 증후군, 간질과 같은 신경 질환에 입증된 치료적 중재 방법이다. 그러나 현재의 임상적 접근 방식은 대부분 수동으로 조정된 파라미터(진폭, 주파수, 파형)를 사용하는 개방 루프(open-loop) 자극에 의존한다. 이러한 정적인 방식은 비효к 효율적이다. 왜냐하면 뇌의 역학은 비정상성(non-stationary)을 띠며, 환자의 상태는 분 단위에서 월 단위에 이르는 시간 척도에 따라 변동하기 때문에 빈번한 재교정이 필요하기 때문이다. 실시간 신경 활동에 적응하는 폐쇄 루프(closed-loop) 시스템이 해결책을 제시할 수 있지만, 기존의 머신러닝(ML) 컨트롤러는 실시간으로 작동하지 못하거나 복잡하고 비선형적인 신경 진동을 동시에 강화 및 억제하는 능력이 부족한 경우가 많다. 핵심 과제는 신경계의 "조직된 복잡성(organized complexity)"에 있으며, 여기서 결과는 정밀한 제어를 위해 모델링하거나 예측하기 어려운 비선형 상호작용에 달려 있다.

방법론
저자들은 실시간 신경 컨트롤러를 훈련시키기 위해 레저버 컴퓨팅을 활용하는 새로운 프레임워크인 CLEAR-FORCE(First-Order, Reduced and Controlled Error에 기반한 폐쇄 루프 오차 기반 적응형 조절)를 제안한다. 이 시스템은 두 가지 주요 구성 요소로 이루어진다:

시뮬레이션 뇌 네트워크: Izhikevich 방정식을 사용하여 모델링된 $N=100$ 개의 스파이킹 뉴런(흥분성 80%, 억제성 20%) 집단이다. 이 뉴런들은 컨트롤러에 의해 구동되는 외부 전류를 받는다.
신경 컨트롤러: 뇌 네트워크로 투사되는 $N=100$ 개의 유닛을 가진 순환형 레저버 네트워크(recurrent reservoir network)이다. 표준 FORCE 학습이 단순히 레저버 출력과 목표 신호 사이의 오차에만 의존하는 것과 달리, CLEAR-FORCE는 **하이브리드 오차 정식화(hybrid error formulation)**를 채택한다.

학습 규칙은 재귀적 최소 제곱법(recursive least squares)을 통해 출력 가중치( $w_{out}$ )를 업데이트하기 위해 두 가지 오차 항을 결합한다:

$e_{force}$ : 레저버 출력과 원하는 목표 신호(예: 사인파) 사이의 차이.
$e_{IZ}$ : 스파이킹 네트워크의 평균 막 전위(국소 전위(LFP)의 대리 지표 역할)와 목표 신호 사이의 차이.

총 오차 $e(t)$ 는 이 두 항의 가중 합이다 ( $e(t) = \lambda_{force}e_{force}(t) + \lambda_{IZ}e_{IZ}(t)$ ). 이를 통해 컨트롤러는 뇌 역학에 대한 명시적인 모델 없이도 목표 네트워크의 비정상적 반응에 적응할 수 있다. 프레임워크는 두 가지 별개의 시나리오에서 테스트되었다: (1) 특정 신경 진동 유도(동기화), (2) 병리적 버스팅(bursting) 활동 억제(탈동기화).

주요 결과

진동 유도: 컨트롤러는 희소한 비진동성 스파이킹 네트워크에서 지속적인 진동을 성공적으로 유도했다. 30 Hz 사인파 목표값으로 훈련되었을 때, 시스템은 강력한 30 Hz 활동을 생성했다. 비교 분석 결과, 폐쇄 루프 훈련( $\lambda_{IZ} > 0$ )은 5 Hz에서 30 Hz 범위의 주파수에서 개방 루프 훈련( $\lambda_{IZ} = 0$ )보다 오차를 유의미하게 감소시켰다. 최적의 성능은 $\lambda_{IZ}$ 값이 3.1에서 4.7 사이일 때 달성되었다. 시스템은 레저버 유닛의 일부 또는 목표 뉴런의 일부만 활성화된 경우에도 효과를 유지했다.
병리적 진동 억제: 프레임워크는 토닉 전류(tonic current)에 의해 구동되는 네트워크에서 일시적인 고동기화 버스트를 성공적으로 억제했다. 레저버 출력을 토닉 드라이브에서 빼줌으로써, 컨트롤러는 배경 활동은 보존하면서 버스트를 소멸시켰다. 실시간 시뮬레이션에서, 외부 드라이브가 증가할 때 컨트롤러는 버스트가 나타나는 것을 방지한 반면, 제어되지 않은 네트워크는 버스팅 현상을 보였다. 이러한 억제는 버스트가 흥분성 뉴런에서 기인했는지 억제성 뉴런에서 기인했는지, 그리고 컨트롤러가 어떤 뉴런 하위 유형을 대상으로 했는지와 관계없이 견고하게 작동했다.
전력 소비 및 확장성: 저자들은 뉴로모픽 하드웨어 구현을 위한 전력 요구 사항을 추정했다. 결과에 따르면 오차는 목표 스파이킹 뉴런의 수( $N_{spk}$ )에 따라 선형적으로 증가하지만, 레저버 유닛의 수( $N_{res}$ )에 따라 지수적으로 감소한다. 이는 $N_{res} = \mathcal{O}(\log N_{spk})$ 인 로그 관계가 대규모 집단(예: 인간 선조체)을 제어하는 데 충분함을 시사한다. 약 2,000개의 유닛을 가진 레저버의 경우, 추정된 동적 컴퓨팅 전력은 수 밀리와트에서 수십 밀리와트 범위로, 저전력 이식형 하드웨어와 호환 가능하다.

의의 및 주장
본 논문은 CLEAR-FORCE를 적응형, 저전력 신경 제어를 위한 유망한 계산 프레 framework로 자리매김한다. 이 연구의 주요 의의는 고급 레저버 컴퓨팅 이론과 이식 가능한 뇌 자극 하드웨어의 실제적 제약 사이의 간극을 메우는 데 있다.

모델 프리 적응(Model-Free Adaptation): 오프라인 훈련이나 무거운 계산 자원을 필요로 할 수 있는 베이지안 최적화나 딥러닝 접근 방식과 달리, CLEAR-FORCE는 모델이 필요 없는 연속적인 실시간 적응 능력을 제공한다.
이중 기능성: 프레임워크는 신경 집단을 동기화 및 탈동기화할 수 있는 능력을 보여주며, 이는 서로 다른 치료적 맥락(예: 우울증을 위한 감마 파워 강화 vs 파킨슨병을 위한 베타 버스트 억제)의 양방향 요구를 충족한다.
하드웨어 타당성: 레저버 컴퓨팅의 효율성을 활용함으로써, 저자들은 개인 맞춤형 폐쇄 루프 뇌 자극이 저전력 휴대용 장치에서 구현될 수 있다고 주장하며, 이는 현재의 개방 루프 또는 계산 집약적인 폐쇄 루프 시스템의 한계를 넘어선다.

저자들은 현재의 연구가 고정된 목표 주파수와 단일 뉴런 파라미터 영역에 의존하고 있다는 점을 언급하며 신중한 태도를 유지한다. 이들은 향후 연구 방향으로 동적 목표 적응, 개인화된 Izhikevich 체계, 그리고 장기적인 치료적 변화를 유도하기 위한 시냅스 가소성(STDP)의 통합 등을 제시하였으나, 이것들이 현재 구현되어 있다고 주장하지는 않는다.

유사한 논문