A Zero-Point-Constrained Gray-Box Framework for Dynamics Reconstruction and Structural Perturbation Response in Coupled Oscillator Networks

복잡계는 뇌 속 뉴런의 발화 패턴부터 생명을 조절하는 유전자의 리드미컬한 스위칭에 이르기까지 어디에나 존재합니다. 과학자들은 이러한 시스템이 시간에 따라 어떻게 변화하는지 관찰함으로써, 그들을 지배하는 규칙을 역설계하기 위해 오랫동안 노력해 왔습니다. 이 작업의 주요 장애물은 이러한 네트워크가 정적인 상태가 아니라 끊임없이 스스로를 재구성(rewiring)한다는 점입니다. 뉴런이 연결을 잃을 수도 있고, 유전자가 침묵할 수도 있으며, 전체 시스템은 이에 따라 새로운 방식으로 반응합니다. 과제는 구조가 바뀔 때마다 매번 처음부터 다시 학습할 필요 없이, 이러한 반응을 예측할 수 있는 모델을 구축하는 것이었습니다. 전통적인 방법들은 여기서 종종 실패하는데, 이는 그들이 전반적인 행동 패턴은 학습하지만 각 개별 연결의 구체적인 역할은 분리해내지 못하기 때문입니다. 네트워크가 변할 때, 이러한 모델들은 남겨진 채 추측만 할 뿐, 끊어진 링크와 새로운 링크를 구분하지 못합니다.

베이징 우편통신대학교의 연구진은 이 문제를 해결하기 위해 새로운 접근 방식을 개발하여, 단 한 번의 변경되지 않은 관찰 데이터만을 사용하여 네트워크의 구조가 변경된 후 네트워크가 어떻게 행동할지 예측할 수 있는 프레임워크를 만들어냈습니다. 최근 연구에서 설명된 이들의 방법은 네트워크를 특정하고 측정 가능한 링크를 통해 통신하는 개별 단위들의 집합체로 취급합니다. 연구진은 하나의 특정 네트워크 구성으로부터 나타나는 행동을 바탕으로 컴퓨터 모델을 훈련시킴으로써, 연결이 제거되거나 약화되거나 완전히 재배치된 후에도 동일한 네트워크의 미래 역학을 예측할 수 있게 했습니다. 이 성공의 핵심은 모델에 부과한 단순하지만 강력한 규칙이었습니다: 즉, 연결이 비활성화되었을 때 그 영향력은 반드시 정확히 0이어야 한다는 것입니다. 이 규칙은 모델이 단순히 숫자의 패턴을 암기하는 것이 아니라, 연결의 진정한 물리적 의미를 학습하도록 강제했습니다.

연구진은 이 방법이 제대로 작동하는지 확인하기 위해 세 가지 매우 다른 유형의 시스템을 대상으로 테스트했습니다. 첫째, 그들은 신경 세포가 어떻게 발화하는지를 설명하는 유명한 호지킨-헉슬리(Hodgkin-Huxley) 방정식을 모델로 하여 10개의 뉴런으로 구성된 네트워크를 시뮬레이션했습니다. 이 시뮬레이션에서 뉴런들은 특정한 웹 형태로 연결되어 있었고, 연구팀은 이 웹의 전기적 활동을 바탕으로 모델을 훈련시켰습니다. 훈련을 마친 후, 그들은 갑자기 10개의 연결을 끊었을 때 어떤 일이 일어날지 모델에게 물었습니다. 추가 훈련 없이도 모델은 뉴런의 새로운 발화 패턴을 정확히 예측했으며, 어떤 뉴런들이 함께 발화하고 어떤 것들이 홀로 작용할지를 정확히 식내했습니다. 모델의 새로운 네트워크 행동 예측은 실제 시뮬레이션 결과와 거의 0.95의 상관관계를 보였는데, 이는 이 분야에서 매우 높은 점수입니다.

다음으로, 그들은 네트워크를 재구성함으로써 과제를 더 어렵게 만들었습니다. 단순히 링크를 끊는 대신, 총 연결 수는 유지하면서 모든 뉴로가 완전히 새로운 이웃들과 연결되도록 강제했습니다. 이는 모델이 이전에 본 적 없는 이웃들의 영향력을 예측해야 하므로 훨씬 더 어려운 테스트입니다. 대부분의 표준 컴퓨터 모델은 이 시나리오에서 완전히 실패하여 혼란스럽고 잘못된 결과를 냈습니다. 그러나 새로운 프레임워크는 성공했습니다. 모델이 단일 연결이 어떻게 작동하는지에 대한 구체적인 규칙을 학습했기 때문에, 그 규칙을 새로운 이웃들에게 단순히 적용할 수 있었던 것입니다. 모델은 이전과 동일한 높은 정확도로 새로운 네트워크의 행동을 예측했으며, 이는 모델이 단순히 예전 네트워크의 배치를 암기한 것이 아니라 연결의 기저에 깔린 물리학을 학습했음을 입증했습니다.

이것이 왜 작동했는지 이해하기 위해, 연구진은 모델이 어떻게 학습하는지 면밀히 살펴보았습니다. 그들은 자신들의 특별한 규칙이 없었다면 모델이 숨겨진 결함을 발전시켰을 것임을 발견했습니다. 모델은 '휴식 중'이거나 비활성 상태인 이웃을 마치 작은 지속적인 신호를 보내는 것처럼 취급하도록 학습할 것이었습니다. 비록 그 신호는 0이어야 함에도 말입니다. 그러면 모델은 이 지속적인 노이즈를 무시하도록 내부 계산을 조정하게 됩니다. 이것은 네트워크가 변하기 전까지는 무해해 보였습니다. 연결이 실제로 끊겼을 때, 모델은 기존의 지속적인 노이즈가 사라질 것을 예상했지만, 연결 자체가 사라졌기 때문에 신호가 완전히 소멸되었습니다. 모델은 더 이상 존재하지 않는 특정 베이스라인을 기대했기에, 그 침묵을 오해하고 잘못된 행동을 예측하게 된 것입니다. 휴식 중인 이웃이 절대적으로 0의 영향력만을 가져야 한다고 모델에 강제함으로써, 연구진은 이러한 혼란을 제거했습니다. 모델은 0이 곧 0임을 학습했고, 이를 통해 연결이 정말로 사라졌을 때를 정확하게 해석할 수 있었습니다.

연구진은 네트워크 구조를 애초에 모르는 상태에서도 이 방법이 작동할 수 있는지 테스트했습니다. 연결이 숨겨진 시뮬레이션에서, 모델은 데이터를 관찰하는 것만으로 올바른 링크의 웹을 성공적으로 추론해 냈습니다. 모델은 어떤 뉴런들이 연결되어 있고 그 연결이 얼마나 강한지를 정확히 식별하여, 실제 링크와 무작위 노이즈를 구분해 냈습니다. 구조를 파악한 후에는 다시 네트워크가 변경될 때 어떤 일이 일어날지 예측할 수 있었습니다. 이러한 유연성은 이 방법이 전체 연결 지도가 알려지지 않은 실제 세계의 데이터에도 적용될 수 있음을 시사합니다.

연구진은 20개에서 200개의 오실레이터(oscillator)에 이르는 훨씬 더 큰 네트워크로 시스템을 테스트하며 한계를 밀어붙였습니다. 그들은 네트워크가 모두가 독립적으로 움직이는 혼돈 상태에서, 모두가 일제히 움직이는 완벽한 동기화 상태로 어떻게 이동하는지 관찰했습니다. 단 하나의 특정 네트워크 크기로 훈련함으로써, 모델은 더 큰 네트워크가 혼돈에서 질서로 전환되는 정확한 지점을 예측할 수 있었습니다. 모델은 전체 전이 곡선을 정확하게 추적했으며, 이는 이 프레임워크가 예측력을 잃지 않고 복잡하고 대규모인 시스템을 처리할 수 있도록 확장 가능하다는 것을 보여주었습니다.

마지막으로, 팀은 이 방법을 유전자 조절 네트워크, 즉 유전자가 단백질을 생성하기 위해 어떻게 켜지고 꺼지는지를 제어하는 시스템에 적용했습니다. 뉴런들이 모두 유사한 방식으로 통신하는 것과 달리, 이 유전자들은 두 가지 다른 유형의 상호작용을 사용했습니다: 어떤 것들은 목표를 활성화하는 반면, 어떤 것들은 억제했습니다. 이는 모델이 연결이 작동하는 두 가지 서로 다른 규칙을 학습해야 한다는 점에서 복잡성을 더했습니다. 그럼에도 불구하고, 프레임으로 인해 특정 유전자가 넉다운(knocked down)되거나 침묵될 때 네트워크가 어떻게 반응할지 성공적으로 예측했습니다. 모델은 유전자 회로의 새로운 리듬을 정확히 예측해 냈으며, 이는 이 접근 방식이 신경계뿐만 아니라 다양한 생물학적 시스템 전반에서 작동함을 입증했습니다.

연구는 유연한 학습 구조와 엄격한 물리적 제약을 결합함으로써, 변화에 강한 모델을 구축할 수 있다는 결론을 내립니다. 연구진은 자신들의 프레임워크가 재학습 없이도 구조적 섭동 이후의 신경 회로, 유전자 네트워크, 그리고 추상적 오실레이터의 역학을 예측할 수 있음을 보여주었습니다. 이는 복잡계에 대한 이해를 위한 새로운 경로를 제시하며, 뇌의 재구성부터 생물학적 회로의 진화에 이르기까지, 모델이 주변 세계의 변화하는 구조에 적응할 수 있는 세상을 향한 길을 열어줍니다. 이 연구는 정적인 관찰을 넘어, 연결의 구조 자체가 변할 때 시스템이 어떻게 반응할지 미리 내다볼 수 있는 도구를 제공합니다.