뇌를 북적이는 도시라고 상상해 보십시오. 수십 년 동안 과학자들은 이 도시가 어떻게 작동하는지 시뮬레이션하려고 노력해 왔지만, 두 가지 매우 다른 사고방식 사이에서 갈피를 잡지 못했습니다. 한 그룹은 모든 뉴런을 벽돌 하나하나 쌓듯 정교하게 복제하여, 마치 숙련된 건축가가 모든 전선과 파이프를 그리는 것처럼 아주 상세한 복제품을 만듭니다. 이 모델들은 아름답고 정밀하지만, 너무나 세세한 디테일에 매몰된 나머지 도시의 분위기가 어떻게 갑자기 변하는지(예를 들어, 평온한 일요일 아침에서 혼란스러운 출퇴근 시간으로 전환되는 것과 같은 변화)를 설명하지 못할 때가 많습니다. 다른 그룹은 평균적인 교통 흐름만을 추적하는 단순화된 지도를 만듭니다. 이 지도들은 빠르고 읽기 쉽지만, 그 도시를 독특하게 만드는 특정 거리와 교차로들을 놓치고 맙니다.

이 분야의 핵심 질문은 이것입니다: 고정된 배선도를 가진 아주 작은 뇌가 어떻게 갑자기 멈추거나, 방향을 돌리거나, 속도를 높이기로 결정하는가? 우리는 동물이 단순히 부드럽게 행동 사이를 미끄러지듯 이동하는 것이 아니라, 마치 전등 스위치를 '온(on)'에서 '오프(off)'로 켜는 것처럼 뚜렷한 모드 사이를 확 바꾼다는 것을 알고 있습니다. 이 논문은 신경계가 매우 단순하여 완전히 지도가 그려진 미생물인 C. elegans(예쁜꼬마선충)의 세계를 깊이 파고듭니다. 이는 급격한 "스냅(snap)" 결정이 어떻게 일어나는지 밝혀내기에 완벽한 테스트 케이스가 됩니다. 목표는 단순히 벌레가 꿈틀거리는 것을 관찰하는 것이 아니라, 언제 앞으로 가고, 언제 뒤로 물러나며, 언제 극적인 U턴을 할지를 결정하는 숨겨진 규칙을 이해하는 것입니다.

벌레의 뇌: 디머(Dimmer)가 아닌 스위치보드

신경과학계의 슈퍼스타인 아주 작고 투명한 벌레, C. elegans를 만나보십시오. 이 벌레는 정확히 302개의 뉴런으로 이루어진 신경계를 가지고 있으며, 과학자들은 이들이 어떻게 연결되어 있는지에 대한 완전한 지도인 "커넥톰(connectome)"을 이미 그려두었습니다. 커넥톰을 벌레의 배선도라고 생각하십시오. 오랫동안 이 벌레의 컴퓨터 모델들은 딜레마에 빠져 있었습니다. 어떤 모델은 모든 뉴런의 개별적인 전기 스파크를 시뮬레이션하려고 했는데, 이는 마치 모든 전구 하나하나를 모니터링하며 도시를 운영하려는 것과 같았습니다. 이들은 정확했지만 벌레의 갑작스러운 행동 변화를 설명하지 못했습니다. 다른 모델들은 뇌를 뿌연 구름 형태의 활동처럼 취급했는데, 이는 계산하기는 쉬웠지만 벌레의 움직임을 제어하는 특정 "스위치"들을 놓쳤습니다.

이 논문의 저자인 Durhan Yazır는 벌레의 행동이 부드러운 미끄러짐이 아니라 일련의 뚜렷한 단계들로 이루어져 있다는 점에 주목했습니다. 벌레는 앞으로 기어가거나, 뒤로 물러나거나, 혹은 극적인 "오메가 턴"(그리스 문자 오메가 모양의 U턴)을 하는 상태 중 하나에 있습니다. 이 단계들은 서로 배타적입니다. 즉, 벌레는 이 세 가지를 동시에 할 수 없습니다. 이 퍼즐을 풀기 위해 연구팀은 NeuroSparkSNT라는 새로운 종류의 시뮬레이션을 구축했습니다.

8개 연산자 프레임워크: 교통 제어 시스템

모든 미세한 전기 스파크를 시뮬레이션하는 대신, NeuroSparkSNT는 영리한 트릭을 사용합니다. 벌레의 뇌를 북적이는 기차역이라고 상상해 보십시오. 기존 모델에서는 모든 기차(뉴런)가 동시에 선로 위를 달리려고 시도하여 정체와 혼란을 일으켰습니다. NeuroSparkSNT에서 저자는 엄격한 **교통 제어사(Traffic Controller)**를 설치했습니다.

이 제어사는 "세미 마르코프 페이즈 컨트롤러(semi-Markov phase controller)"인데, 이는 똑똑한 스위치보드 역할을 하여 어떤 "연산자(operators, 뉴런 그룹)"가 특정 순간에 작동할 수 있는지를 결정한다는 뜻입니다. 이 시스템에는 노이즈를 추가하거나, 환경을 감지하거나, 모터를 구동하는 것과 같은 서로 다른 작업을 처리하는 8개의 연산자가 있습니다.

여기서 마법이 일어납니다. 제어사는 서로 충돌하는 행동을 담당하는 연산자들이 동시에 활성화되지 않도록 보장합니다. 만약 벌레가 "전진 모드"에 있다면, "후진" 연산자는 완전히 차단됩니다. 단순히 강도가 낮아지는 것이 아니라, 구조적으로 계산에서 제외됩니다. 이는 특정 뉴런이 다른 뉴런을 능동적으로 억제하여 동물이 혼란에 빠지는 것을 방지하는 벌레의 실제 뇌 작동 방식을 모방한 것입니다.

논문은 이 시스템의 두 가지 버전을 테스트했습니다:

1. 모놀리스(The Monolith): 8개의 연산자를 매 단계마다 모두 계산하지만, 조건부 규칙에 의해 "잘못된" 연산자들이 조용히 있도록 지시하는 버전입니다.
2. 풀 디스패치(The Pool Dispatch): 현재 단계에 실제로 필요한 연산자만을 계산하는 버전입니다. 만약 벌레가 앞으로 움직이고 있다면, 후진 연산자들은 그 순간 컴퓨터 메모리 상에 존재조차 하지 않습니다.

발견한 것: "구조적 배제"의 힘

결과는 매우 흥 \미로웠습니다. 두 버전 모두 벌레를 움직이게 할 수 있었지만, 풀 디스패치(모델 B) 버전이 실제 생물학적 특성을 훨씬 더 잘 모방했습니다.

• 길항 작 작용 테스트(The Antagonism Test): 실제 벌레에서 두 개의 특정 인터뉴런(AVA와 AVB)은 적대적인 관계처럼 작동합니다. 하나가 활성화되면 다른 하나는 조용해집니다. 풀 디스패치 모델은 이 "적대 관계"를 94%의 정확도로 재현했습니다(실제 벌레의 -0.420에 대해 -0.477의 상관관계). 모놀리스 모델은 다소 지나치게 공격적이었으며, 기존의 "부드러운" 모델들은 너무 완벽하거나 아예 틀렸습니다.
• 오메가 턴(The Omega Turn): 모델은 벌레가 오메가 턴을 하는 데 정확히 0.50초를 소비할 것이라고 예측했습니다. 이는 모델이 이 숫자를 맞추도록 특별히 튜닝되지 않았음에도 불구하고, 모델의 구조가 턴을 하나의 뚜렷한 단계로 강제했기 때문에 실험 데이터와 완벽하게 일치했습니다.
• 노이즈 저항성(Noise Resistance): 연구진이 시뮬레이션에 "노이즈(무작위 정적)"를 추가했을 때, 풀 디스패치 모델은 안정적으로 유지되었습니다. 기존 모델들은 즉시 무너졌습니다. 이는 잘못된 연산자를 계산에서 물리적으로 제거함으로써, 뇌(그리고 모델)가 간섭에 대해 훨씬 더 견고해질 수 있음을 시사합니다.

미래 예측: "블라인드(Blind)" 테스트

이 논문에서 가장 흥미로운 부분은 모델이 과학자들이 이미 알고 있는 것을 단순히 복제한 것이 아니라, 아직 측정되지 않은 것들을 예측했다는 점입니다. 저자는 모델을 가져와서 모델을 구축할 때 사용되지 않았던 여섯 가지 서로 다른 감각 상황(예: 높은 이산화탄소 농도 또는 꼬리에 가해진 접촉)을 입력했습니다.

결과는 어땠을까요? 모델은 여섯 가지 경우 모두에서 벌레가 어떻게 반응할지를 정확히 예측했습니다. 모델은 앞부분을 건드리면 뒤로 물러나고, 뒷부분을 건드리면 앞으로 나갈 것임을 예측했는데, 이는 배선도가 그렇게 말해주고 있었기 때문입니다.

더 인상적인 것은, 모델이 과학자들이 실험실에서 검증해 볼 수 있는 일곱 가지 새로운 예측을 생성했다는 점입니다. 예를 들어, 모델은 만약 당신이 벌레가 앞으로 움직이는 동안 건드린다면, 중립 상태에서 건드릴 때보다 뒤로 물러나는 데 7.3배 더 오래 걸릴 것이라고 예측합니다. 또한 PVP라는 뉴런에 대한 특정 행동도 예측합니다. 즉, PVP를 제거하면 벌레는 건드렸을 때 더 자주 뒤로 물러나겠지만, 무작위적인 자발적 후진 횟수는 그대로 유지될 것이라는 예측입니다. 이것들은 단순한 추측이 아니라, 모델의 설계에서 비롯된 수학적 결과이며, 실제 벌레를 통해 확인되기를 기다리고 있는 것들입니다.

이것이 왜 중요한가

이 논문은 뇌가 무엇을 할지 결정하는 방식을 이해하기 위해 모든 전자를 시뮬레이션할 필요는 없다는 것을 시사합니다. 대신, 우리는 게이팅 메커니즘(gating mechanisms), 즉 뇌의 어느 부분이 말을 할 수 있고 어느 부분이 침묵해야 하는지를 결정하는 규칙을 이해해야 합니다.

저자는 충돌하는 행동들을 구조적으로 배제하는 시스템(예를 들어, 초록불이 켜져 있을 때 빨간불을 위해 도로를 물리적으로 차단하는 신호등처럼)을 구축함으로써, 실제 행동의 "스냅(snap)"을 포착하는 시뮬레이션을 만들 수 있음을 보여줍니다. 이 접근 방식은 생물학의 무질서하고 상세한 현실과 컴퓨터 과학의 깨끗하고 논리적인 세계 사이의 간극을 메워줍니다.

논문은 다음 단계로 모델에 "에너지" 변수를 추가하는 것을 암시하며 끝을 맺습니다. 이는 벌레가 단순히 세상에 반응하는 것이 아니라, 자신의 허기를 관리하는 것을 상상해 보는 것입니다. 만약 모델이 에너지 수준을 추적할 수 있다면, 인간이 무엇을 하라고 명령하지 않아도 스스로 먹이를 찾아가기로 결정할 수 있을 것입니다. 이는 외부의 지시가 아닌 내부의 욕구에 의해 움직이는 인공 에이전트를 만드는 데 있어 거대한 도약이 될 것입니다.

요컨대, NeuroSparkSNT는 복잡한 시스템을 이해하는 가장 좋은 방법은 때때로 무엇을 계산하지 않을 것인지를 정확히 아는 것임을 증명합니다. 뇌의 자연스러운 "꺼짐" 스위치가 핵심적인 역할을 하도록 함으로써, 이 모델은 놀라운 정밀도로 벌레 행동의 본질을 포착해 냈습니다.