A neural circuit algorithm for action grammar
원숭이 실험에서 영감을 얻은 본 연구는 순환 신경망이 직교 방향을 따라 초기 상태를 계획하고, 특정 매니폴드 상에서 형상을 실행하며, 전이 과정 동안 시퀀스 파라미터를 보존함으로써 규칙 기반 행동 시퀀스를 생성한다는 것을 입증하며, 이를 통해 기호 문법 알고리즘의 신경 회로 구현을 밝혀낸다.
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
인간의 뇌는 패턴의 대가로, 유한한 규칙의 집합을 통해 무한한 다양성의 행동을 생성할 수 있다. 단어들을 문장으로 조직하는 문법이나, 일련의 움직임을 하나의 일관된 동작으로 바꾸는 순서와 같은 추상적인 지침을 따르는 이 능력은 지능의 특징이다. 현대 인공지능이 패턴 인식 측면에서 엄청난 발전을 이루었지만, 인간이나 동물처럼 학습된 규칙을 완전히 새로운 상황에 유연하게 적용하는 데에는 종종 어려움을 겪는다. 과학자들은 오랫동안 계획 및 조직과 관련된 영역인 전두엽과 두정엽 부위가 이러한 유연성의 핵심을 쥐고 있다고 의심해 왔다. 그러나 동물이 규칙을 학습하고 이를 더 복잡한 문제에 적용할 수 있게 해주는 신경 회로 내부의 구체적인 메커니즘은 여전히 미스터리로 남아 있었다. 생물학적 네트워크가 어떻게 단순한 지침을 다단계 계획으로 변환하는지 이해하는 것은, 사고의 추상적 논리와 뉴런이 발화하는 물리적 실체 사이의 간극을 메우는 데 필수적이다.
이 메커니즘을 밝혀내기 위해 연구진은 원숭이들이 이미 숙달한 과제인 '그리기'에 주목했다. 이전 실험에서 마카크 원숭이들에게 선과 원 같은 여러 물체가 포함된 이미지를 보여주고, "선 먼저, 그다음 원"과 같이 규칙에 따라 정해진 순서대로 따라 그리게 했다. 놀랍게도 원숭이들은 이 규칙을 명시적으로 배우지 않았으며, 경험을 통해 이를 추론해 냈다. 일단 패턴을 학습하면, 원숭이들은 이전에 본 적 없는 더 많은 물체가 있는 새로운 이미지에도 이를 적용하여, 단 두 개의 선과 한 개의 원만 연습했음에도 불구하고 다섯 개의 선을 그린 뒤 세 개의 원을 성공적으로 그려냈다. 이러한 일반화 능력은 뇌에 행동 문법(action grammars)을 학습하고 사용하는 내재된 편향이 있음을 시사한다. 이 과정이 내부적으로 어떻게 작동하는지 확인하기 위해, 연구팀은 동일한 그리기 과제를 수행하도록 순환 신경망(recurrent neural network)이라는 컴퓨터 모델을 훈련시켰다. 모델의 내부 활동을 역설계함으로써, 그들은 네트워크가 계획을 세우고 실행하는 데 사용하는 정교한 3단계 알고리즘을 발견했으며, 이는 뇌가 유사한 문제를 해결하는 방식에 대한 구체적인 청사진을 제공한다.
연구진은 네트워크가 그림을 그리는 동안 단순히 이미지에 반응하는 것이 아니라, 첫 획을 긋기 전에 완전한 계획을 수립한다는 사실을 발견했다. 과제가 시작되면, 네트워크의 내부 상태는 전체 미래 시퀀스를 인코딩하는 특정 시작 위치로 이동한다. 네트워크의 활동을 거대한 다차원 공간 속의 한 점이라고 상상해 보자. 그리기가 시작되기 전, 이 점은 두 가지 정보를 동시에 보유하는 위치로 이동한다. 즉, 몇 개의 선을 그려야 하는지와 몇 개의 원을 그려야 하는지이다. 결정적으로, 이 두 숫자는 지도에서 북위와 동경 축을 사용하여 위치를 찾는 것처럼, 이 공간 내에서 서로 독립적인 별개의 방향을 따라 저장된다. 이러한 초기 위치 설정은 고차원적인 청사진 역할을 하여, 네트워크가 움직임을 시작하기도 전에 각 도형을 몇 번 반복해야 하는지 정확히 알 수 있게 한다.
그리기가 시작되면, 네트워크는 현재의 도형에 전용된 경로를 따라 이동하며 계획을 실행한다. 만약 규칙이 선을 먼저 그리는 것이라면, 네트워크의 활동은 '선' 경로를 따라 이동하며, 그 경로의 끝까지 남은 거리만큼 동작을 반복한다. 네트워크는 소리 내어 숫자를 세는 것이 아니라, 이 경로를 따라 이동해야 하는 거리가 수행해야 할 반복 횟수와 직접적으로 대응한다. 이동하면서 네트워크는 경로의 끝에 도달할 때까지 거리를 점진적으로 소비한다. 이 정확한 순간에 네트워크는 다음 단계로 전환된다. 네트워크는 원 전용 경로로 점프한다. 이 시스템의 탁월함은 전환을 처리하는 방식에 있다. 이 점프는 매우 질서 있고 평행하게 이루어져서, 몇 개의 원이 남았는지에 대한 정보를 보존한다. 네트워크는 원 경로의 시작점에 도로 도착할 때, 남은 거리로부터의 거리가 그려야 할 원의 개수와 완벽하게 일치하도록 도착하여, 횟수를 놓치지 않고 시퀀스를 계속할 수 있게 한다.
이 메커니즘은 세 가지 유형의 신경 활동이 협력하여 작동하는 것에 의존한다. 일부 뉴런은 현재 어떤 도형을 그리고 있는지 식별하여 네트워크의 모드를 '선'에서 '원'으로 전환하는 역할을 한다. 다른 뉴로들은 현재 획의 진행 상황을 추적하여 몇 번의 반복이 남았는지를 신호로 보낸다. 마지막으로, 특정 뉴런 그룹은 도형 사이의 경계에서 매우 활발해져서, 네트워크를 한 경로에서 다음 경로로 몰아가는 트리거 역할을 한다. 연구진은 네트워크가 선의 시퀀스 끝에 가까워질수록, '원' 뉴런을 억제하던 억제 작용이 약해지면서 이들이 활성화되어 주도권을 잡는 것을 관찰했다. 이러한 매끄러운 인수인계 덕분에 전환 중에도 다음에 올 도형에 대한 횟수가 결코 손실되지 않는다. 이 연구는 뇌가 복잡한 행동을 조직하기 위해 직교 계획(orthogonal planning)과 평행 전환(parallel transitions)이라는 유사한 전략을 사용한다고 제안하며, 이를 통해 단순한 규칙으로부터 무한한 변형의 행동을 생성할 수 있게 한다.
이 발견의 함의는 그리기 과제를 넘어 확장된다. 연구진이 밝혀낸 메커로니즘은 뇌가 단계들을 실행하는 동안 어떻게 정신적 프로그램을 유지할 수 있는지에 대한 구체적인 설명을 제공한다. 이는 뇌가 전체 시퀀스를 처음부터 끊임없이 재계산할 필요 없이, 전체 계획을 담고 있는 초기 상태를 설정한 다음 신경 회로의 역학이 그 계획을 실행하도록 내버려 두면 된다는 것을 보여준다. 이러한 접근 방식은 놀라운 유연성을 가능하게 한다. 만약 문제가 바뀌어 더 많은 반복이 필요해지더라도, 네트워크는 동일한 경로를 따라 더 멀리서 시작함으로써 동일한 기본 기계 장치를 사용할 수 있다. 현재 연구는 이를 입증하기 위해 컴퓨터 시뮬레이션을 사용했지만, 모델이 예측하는 특정 활동 패턴들, 예를 들어 숫자의 직교 인코딩과 도형 간의 평행 전환 등은 살아있는 뇌에 대한 향후 실험을 위한 명확하고 테스트 가능한 예측을 제공한다. 신경 회로가 어떻게 상징적 알고리즘을 구현할 수 있는지 밝힘으로써, 이 연구는 인간 지능의 생물학적 기초와 학습하고 적응하며 창조하는 능력에 대한 이해에 한 걸음 더 다가서고 있다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.