Living deep reservoir computing by microfluidic axon routing

인간의 뇌는 복잡한 계산을 수행하고, 기억을 저장하며, 세계에서 가장 강력한 슈퍼컴퓨터가 필요로 하는 에너지의 아주 적은 부분만을 소비하면서 결정을 내릴 수 있는 생물학적 공학의 경이입니다. 이러한 효율성은 뇌가 어떻게 구축되었는지에서 비롯됩니다. 수십억 개의 신경 세포, 즉 뉴런이 거대하고 복intricate한 네트워크로 연결되어 있으며, 그곳에서 기억과 계산이 동일한 작은 접점에서 동시에 일어납니다. 수십 년 동안 과학자들은 이 생물학적 탁월함을 실리콘 칩으로 모방하기 위해 노력해 왔으며, 뇌의 구조를 복제하려는 특화된 컴퓨터 하드웨어를 만들어 왔습니다. 그러나 이러한 전자 시스템은 여전히 살아있는 조직의 원초적인 효율성과 적응력을 따라가는 데 어려움을 겪고 있습니다. 이 간극을 메우기 위해 연구자들은 다른 길을 탐색하기 시작했습니다. 실험실에서 배양한 실제 살아있는 뉴런을 컴퓨팅 재료 그 자체로 사용하는 것입니다. 이 접근 방식의 과제는 배양 접시에서 자란 살아있는 뉴런들이 무작위로 연결되는 경향이 있어, 정보가 어떻게 흐르는지 제어하기 어렵다는 점이었습니다. 신호에 대한 명확한 방향이 없으면 네트워크는 구조화된 컴퓨터라기보다 혼란스러운 덩어리처럼 작동하여, 복잡한 문제를 해결하는 능력을 제한하게 됩니다.

이제 한 연구팀이 이 생물학적 혼돈에 질서를 부여하는 방법을 개발하여, 정보를 특정 방향으로 전진하며 처리하는 살아있는 컴퓨터를 만들어냈습니다. 그들은 미세 유체 칩(microfluidic chip) 내부에서 마우스 뉴런 네트워크를 배양했는데, 이 장치는 신경 세포의 도로 역할을 하는 미세한 채널을 갖추고 있습니다. 과학자들은 이 도로에 일방통행 게이트를 설계함으로써 뉴런이 입력층에서 출력층으로 향하는 단일 방향으로 연결을 형성하도록 강제했으며, 이는 고급 인공지능 시스템에서 발견되는 깊고 층이 있는 구조를 모방한 것입니다. 그들이 "살아있는 심층 리저버(living deep reservoir)"라고 부르는 이 설정은 생물학적 네트워크가 단계적으로 복잡한 신호를 처리하고, 정보가 앞으로 이동함에 따라 이를 필터링하고 변형할 수 있게 해줍니다. 이 방향성 제어가 실제로 컴퓨터를 더 똑똑하게 만들었는지 테스트하기 위해, 그들은 뉴런이 양방향으로 자라도록 허용하여 덜 조직적인 양방향 네트워크를 만든 대조군과 비교했습니다. 결과는 일방향의 유향 네트워크가 두 가지 어려운 과제, 즉 수학적 시스템의 혼돈스러운 행동을 예측하는 것과 오디오 클립에서 다양한 음악 장르를 식별하는 것에서 현저히 더 뛰어난 성능을 보였다는 것을 보여주었습니다.

연구진은 작은 투명 미로처럼 보이는 미세 유체 칩을 사용하여 시스템을 구축했습니다. 이 미로 안에는 마우스 배아에서 채취한 일차 뉴런을 배양했습니다. 이 세포들을 빛에 반응하게 하고 카메라에 보이게 만들기 위해, 뉴로를 빛에 민감한 스위치로 만들고 발화할 때 빛나게 하는 특정 유전자를 도입했습니다. 칩은 좁은 채널로 연결된 여러 개의 챔버로 설계되었습니다. 실험군에서는 이 채널들이 뉴런의 긴 돌기인 축삭(axon)이 뒤로 자라는 것을 물리적으로 방지하는 작은 삼각형 장벽과 굽은 막다른 길로 형태가 잡혀 있었습니다. 이를 통해 신호가 첫 번째 챔버에서 두 번째 챔버로, 그다음 단계로만 이동할 수 있도록 하여 엄격한 계층 구조를 만들었습니다. 대조군에서는 채널이 단순한 직선형 튜브였기에 뉴런이 양방향으로 자랄 수 있었고, 신호가 명확한 경로 없이 앞뒤로 왔다 갔다 하는 네트워크를 만들었습니다. 두 시스템 모두 첫 번째 층의 뉴런에 청색 빛 패턴을 투사하여 정보를 보내는 인터페이스와, 네트워크 전체가 빛나는 것을 관찰하여 출력을 기록하는 카메라와 연결되었습니다.

이 살아있는 컴퓨터들이 얼마나 잘 작동하는지 확인하기 위해, 팀은 그들에게 두 가지 매우 다른 문제를 풀도록 요청했습니다. 첫 번째는 기상 상태나 주식 시장처럼 복잡하고 예측 불가능하게 변하는 신호인 '혼돈 시계열(chaotic time series)'을 예측하는 테스트였습니다. 그들은 데이터를 빛의 펄스 시퀀스로 변환하여 첫 번째 층의 뉴런에 주입했습니다. 일방향 채널을 가진 살아있는 심층 리저버는 대조군보다 더 높은 정확도로 신호의 미래 움직임을 추적할 수 있었습니다. 연구진이 네트워크에 더 많은 층을 추가할수록, 유향 시스템의 성능은 향상된 반면 양방향 시스템은 따라가는 데 어려움을 겪었습니다. 두 번째 과제는 음악을 듣는 것이었습니다. 시스템은 짧은 오디오 클립이 블루스, 클래식, 컨트리 중 어떤 장르인지 식별하도록 요청받았습니다. 연구진은 음파를 뉴런을 활성화하는 빛 패턴으로 변환했습니다. 이번에도 살아있는 심층 리저버는 대조군보다 우수한 성능을 보였으며, 특정 곡이 시스템에 처음 등장하더라도 장르를 더 자주 정확히 식별하고 다양한 스타일을 인식하는 더 균형 잡힌 능력을 보여주었습니다.

이러한 성공의 핵심은 네트워크 자체의 구조에 있는 것으로 보입니다. 뉴런을 단일 방향으로 연결하도록 강제함으로써, 연구진은 정보가 단계적으로 처리되며 각 층이 신호를 정제하여 다음 층으로 전달하는 시스템을 만들었습니다. 이러한 계층적 처리는 현대 인공지능의 딥 러닝 알고리즘이 작동하는 방식과 유사하게, 네트워크가 입력 데이터에 대한 더 풍부한 이해를 구축할 수 있게 해주었습니다. 네트워크 활동 분석에 따르면, 유향 시스템은 더 높은 수준의 조직성, 즉 모듈성을 유지하여 서로 다른 부분들이 더 응집력 있게 함께 작동했습니다. 반면, 양방ка형 대조군은 복잡한 계산을 지원하지 못하는 더 혼란스럽고 동기화된 발화 양상을 보였습니다. 이 연구는 생물학적 네트워크의 물리적 구조가 세포 그 자체만큼 중요하다는 것을 입증합니다. 즉, 뉴런이 자라는 방식을 가이드하는 것만으로도 살아있는 조직의 컴퓨팅 능력을 크게 향상시킬 수 있다는 것입니다.

이 연구는 완전한 기능을 갖춘 생물학적 뇌를 만들었다고 주장하거나, 이러한 살아있는 칩이 즉시 실리콘 컴퓨터를 대체할 것이라고 시사하는 것이 아닙니다. 대신, 이는 물리적 설계를 통해 딥 러닝의 원리가 살아있는 신경 네트워크에 적용될 수 있다는 개념 증명을 제공합니다. 연구진은 뉴런의 성장을 특정 경로를 따르도록 제한함으로써, 무작위 네트워크는 달성할 수 없는 정교한 정보 처리가 가능한 생물학적 시스템을 만들 수 있음을 보여주었습니다. 이는 생물학적 시스템이 정보를 어떻게 처리하는지에 대한 새로운 연구 경로를 열어주며, 살아있는 세포의 적응성과 공학적 구조의 정밀함을 결합한 고효율 뇌 모방 컴퓨팅 장치를 향한 잠재적인 경로를 제공합니다. 이번 연구 결과는 바이오-하이브리드 컴퓨팅의 미래가 우리가 사용하는 세포뿐만 아니라, 그 세포들이 이동할 길을 어떻게 만드는가에 달려 있음을 시사합니다.