🧬 biology

How Recurrent Neural Information Flow Can Generate a Setpoint

이 논문은 순환 신경망에서 고유하고 안정적인 활동 설정값이 가소성이나 외부 목표로부터가 아니라, 피드백 이득, 지연, 그리고 네트워크의 불안정성이 자신의 상태에 관한 정보를 생성하는 속도보다 커야만 하는 채널 용량에 의해 엄격하게 제어되는 흥분성-억제성 루프를 통한 정보의 내재적 흐름으로부터 출현함을 입증한다.

원저자: luciano fernandes

게시일 2026-10-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: luciano fernandes

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

뇌는 생각하고, 느끼고, 움직이기 위해 전기 신호를 쏘아 올리는 거대한 세포 네트워크입니다. 이 시스템이 작동하려면 전체적인 활동 수준이 특정 범위 내에 머물러야 합니다. 네트워크가 너무 적게 발화하면 조용해져서 작동을 멈추고, 너무 많이 발화하면 혼란스럽고 통제 불능인 폭발 상태로 치달을 수 있습니다. 생물학자들은 뇌가 시간이 지남에 따라 세포 간의 연결 강도를 조절함으로써 이러한 활동을 억제하는 메커니즘을 가지고 있다는 사실을 오랫동안 알고 있었습니다. 그러나 정작 중요한 질문 하나가 해결되지 않은 채 남아 있었습니다. 그렇다면 목표 수준은 애초에 어디에서 오는 것일까요? 뇌는 활동을 측정하고 뉴런이 얼마나 빨리 발화해야 하는지 알려주는 '목표값' 신호를 보내기 위해 별도의 전용 제어 센터를 필요로 하는 것일까요? 아니면 네트워크 자체가 그 구성 요소들 사이의 단순한 신호 주고받기를 통해 자연스럽게 안정적인 작동 수준에 도달할 수 있는 것일까요?

워싱턴 주립 대학교의 루시아노 페르난데스(Luciano Fernandes)가 이 질문을 탐구하기 위해 상세한 수학적 모델을 사용하여 수행한 새로운 연구가 있습니다. 연구진은 흥분성 세포(발화를 촉진함)와 억제성 세포(발화를 억제함)라는 두 가지 주요 그룹으로 구성된 가상 뇌 회로를 구축했습니다. 모델에서 이 그룹들은 루프 형태로 연결되어 있는데, 흥분성 세포가 억제성 세포를 구동하면, 억제성 세포가 다시 흥분성 세포를 진정시키는 신호를 보내는 방식입니다. 결정적으로, 이 모델에는 외부의 '설정값(setpoint)' 변수도, 발화율을 측정하는 별도의 센서도, 시간이 흐름에 따라 연결을 변화시키는 가소성도 포함되어 있지 않습니다. 유일한 피드백은 억제성 세포 자체로부터 옵니다. 이 연구는 억제성 세포로부터 흥분성 세포로 돌아오는 정보의 흐름만으로 안정적인 발화율을 생성하고 유지할 수 있는지를 묻습니다.

연구진은 답이 '예'이지만, 매우 특정한 조건 하에서만 가능하다는 것을 발견했습니다. 안정적인 발화율의 값은 루프를 따라 흐르는 활동의 균형에 의해 전적으로 결정됩니다. 이는 흥분과 억제가 서로 완벽하게 상쇄되어 독특하고 일정한 리듬을 만들어내는 고정점(fixed point)입니다. 그러나 이 수준이 안정적이기 위해서는(즉, 작은 교란이 발생해도 네트워크가 다시 이 수준으로 돌아오기 위해서는), 억제 신호가 현재 네트워크의 상태에 대한 정보를 적절한 강도와 속도로 흥분성 세포에 전달해야 합니다. 피드백이 너무 약하면 네트워크는 이 수준에서 벗어나 표류하게 되고, 너무 강하면 격렬하게 진동하기 시작합니다. 연구는 피드백 강도가 존재하는 정밀한 구간이 존재하며, 신호 전달 시간(delay)에 대한 임계 제한이 있음을 수학적으로 증명했습니다.

이 논문의 핵심적인 발견은 이러한 안정성을 유지하는 것이 근본적으로 '정보 문제'라는 점입니다. 네트워크는 본질적으로 스스로는 불안정합니다. 억제성 피드백이 없다면, 시작 상태의 아주 미세한 차이라도 기하급수적으로 커져서 네트워크를 다른 상태로 폭주하게 만들 것입니다. 이를 방지하기 위해 억제 경로가 네트워크의 현재 상태에 대한 정보를 흥분성 세포로 다시 전달해야 합니다. 연구진은 시스템을 안정적으로 유지하기 위해 이 정보가 흘러가야 하는 최소한의 정확한 비율을 계산했습니다. 분석된 특정 네트워크의 경우, 이 최소 비율은 초당 약 28.9비트입니다. 즉, 피드백 채널은 매초 최소한 이 정도의 정보를 전달할 수 있는 능력을 갖추어야 한다는 뜻입니다. 만약 채널이 이보다 느리거나, 신호가 현재 상태에 의존하지 않는다면(예를 들어, 일정하고 변하지 않는 신호라면), 네트워크는 안정적인 수준을 잃고 혼돈이나 낮은 활동 상태로 붕괴됩니다.

이론적 한계를 테스트하기 위해 연구진은 실제 뇌 세포처럼 발화하는 10,000개의 개별 뉴런을 포함한 대규모 버전의 컴퓨터 시뮬레이션을 실행했습니다. 연구진은 자연스럽고 연속적인 억제 신호를 다양한 속도로 정보를 전달하는 디지털 코드로 대체했습니다. 정보를 조밀하게 담는 효율적인 코딩 방식을 사용했을 때, 네트워크는 계산된 최소치인 28.9비트/초보다 약간 높은 속도에서도 안정적인 수준을 유지했습니다. 하지만 전송 속도가 이 임계값보다 조금이라도 낮아지면, 코드 구조와 상관없이 네트워크는 수준을 유지하는 데 실패했습니다. 반대로 비효율적인 코딩 방식을 사용했을 때는 안정성을 유지하기 위해 훨씬 더 높은 전송 속도가 필요했습니다. 이는 이 한계가 단순한 이론적 호기심이 아니라, 피드백 루프가 운반해야 하는 정보량에 대한 엄격한 제약 조건임을 확인시켜 주었습니다.

또한 연구는 네트워크가 입력 변화를 어떻게 처리하는지 조사했습니다. 네트워크는 작고 일시적인 충격에는 저항하여 안정적인 수준으로 돌아올 수 있지만, 지속적이고 일정한 입력 변화는 무시할 수 없습니다. 연구진이 흥분성 세포에 지속적인 추가 전류를 가하자, 안정적인 수준이 새로운 값으로 이동했습니다. 이는 이 정보 흐름에 의해 생성된 수준이 고정된 '설정값(setpoint)'이 아니라 '안착점(settling point)'임을 보여줍니다. 즉, 이는 교란 후에 네트워크가 자연스럽게 돌아오는 안정적인 상태이지만, 근본적인 조건이 변하면 함께 움직이는 값입니다. 이러한 구분은 이 모델이 노이즈에 맞서 수준을 유지하는 방법은 설명해주지만, 장기적인 변화에 맞서 고정된 수준을 유지하는 방법(이는 모델에 포함되지 않은 추가적인 생물학적 과정이 필요함)까지는 설명하지 못한다는 점을 시사합니다.

이 연구 결과는 뇌가 일정한 발화율을 유지하는 능력이 별도의 전용 제어기에 의존하지 않을 수도 있음을 시사합니다. 대신, 안정성은 억제성 뉴런이 흥분성 뉴런으로 정보를 다시 보내는 행위 자체에서 창발(emerge)합니다. 네트워크가 수준을 유지하는 이유는 억제성 피드백이 네트워크의 자연스러운 표류 경향을 상쇄할 만큼 현재 상태에 대한 충분한 정보를 전달하기 때문입니다. 이 정보의 흐름이 시스템을 결합하는 접착제 역할을 합니다. 이 연구는 정밀하고 검증 가능한 예측을 제공합니다: 이러한 유형의 억제 안정화 메커니즘에 의존하는 모든 생물학적 회로에서, 억제 신호를 운반하는 경로는 특정 최소 속도를 초과하는 정보 전달 능력을 갖추어야 합니다. 만약 신호가 너무 느리거나, 노이즈가 심하거나, 지연이 발생하면 회로는 안정성을 잃게 됩니다. 이는 신경 조절을 바라보는 새로운 관점을 제시하며, 뇌 활동의 유지를 단순히 목표치에 맞추는 문제가 아니라, 데이터의 흐름 자체가 안정성을 만들어내는 연속적인 정보 이론적 균형 잡기로 정의합니다.

기술 요약: 재귀적 신경 정보 흐름이 어떻게 설정값(Setpoint)을 생성할 수 있는가

문제 제기
본 논문은 신경계의 근본적인 질문을 다룹로다: 신경 활동이 섭동(perturbation) 후에 돌아가는 특정 발화율 수준(설정값, "setpoint")은 무엇에 의해 결정되는가? 기존 모델들은 명시적인 목표율 변수나 가소성 규칙을 통해 활동이 어떻게 유지되는지는 설명하지만, 그 참조값(reference) 자체의 기원은 설명하지 못한다. 저자는 명시적인 목표율 변수, 별도로 추가된 감지/효과기 회로, 또는 시냅스 가소성 없이, 고정된 연결을 가진 재귀 네트워크를 통한 활동과 정보의 흐름만으로 끌어당기는 동작 수준(attracting operating level)이 나타날 수 있는지 조사한다.

연구 방법론
본 연구는 엄밀한 수학적 증명과 유한 시간 시뮬레이션을 결합하여 사용한다:

정확한 평균장 모델(Exact Mean-Field Model): 저자는 이질적인 이차 적분-발화(QIF) 뉴런의 정확한 집단 축약(Montbrió et al., 2015)을 활용한다. 이는 네트워크 역학을 흥분성(E) 및 억제성(I) 집단의 발화율과 전압 중심을 설명하는 6개의 상미분 방정식으로 구성된 폐쇄계로 축약한다.
두 가지 네트워크 구성:
- 정확한 구성(Exact Construction): 안정성과 정보율에 대한 정확한 경계값을 증명하기 위해 대수적 다루기 용이성을 고려하여 선택된 특정 파라미터 세트.
- 참조 네트워크(Reference Network): 8,000개의 흥분성 뉴런과 2,000개의 억제성 뉴런을 특징으로 하는 생물학적으로 타당한 파라미터 세트를 사용한 시뮬레이션.
- 무작위 네트워크(Random Networks): 발견의 일반성을 테스트하기 위해 무작위로 생성된 68개의 억제 안정화 네트워크(ISN).
제어 및 정보 이론 도구: 분석에는 데이터율 정리(Data-Rate Theorem, 불안정한 시스템을 안정화하기 위한 최소 채널 용량 확립), 보드 민감도 적분(Bode's Sensitivity Integral, 피드백 이득과 섭동 감쇠 간의 관계), 그리고 섀넌 정보 이론을 적용한다.
중재(Interventions): 흥분성 세포가 받는 억제 신호를 다음과 같이 조작한다:
- 피드백 이득 및 지연(Feedback Gain and Delay): 신호의 상태 의존적 부분을 스케일링하고 시간 지연을 도입함.
- 유한율 코딩(Finite-Rate Coding): 효율적인 "줌잉(zooming)" 코더나 정적 양자화기(예: 1비트 코드)로 아날로그 억제 신호를 대체하여 용량 한계를 테스트함.
- 노이즈 주입(Noise Injection): 억제 경로에 백색 가우시안 노이즈를 추가하여 정보 전송률을 측정함.
- 상태 독립적 신호(State-Independent Signals): 동적 신호를 상수 또는 재생된 신호로 대체하여 상태 의존성의 필요성을 테스트함.

주요 기여 및 결과

고유한 수준의 존재: 저자는 고정된 연결을 가진 네트워크에서 흥분-억제 루프를 통해 흐르는 활동의 균형이 고유하고 양수인 평형 발화율을 고정한다는 것을 증명한다. 이 수준은 외부 참조값이 아니라 네트워크의 구조적 파라미터(결합 강도, 흥분성 분포)에 의해 결정된다.
끌어당김 조건(안정성):
- 이득 창(Gain Window): 이 수준은 억제 피드백 이득( $g$ )이 정확한 창(예, 정확한 구성의 경우 $7/16 < g < 1187/512$ ) 내에 있을 때만 국소적으로 지수적으로 안정적이다. 하한 미만에서는 시스템이 발산하며, 상한 초과 시 호프 분기(Hopf bifurcation)를 통해 진동으로 변한다.
- 임계 지연(Critical Delay): 단위 이득에서 안정성을 위해서는 피드백 지연( $d$ )이 임계값( $d_c \approx 1.5675\tau$ ) 미만이어야 한다.
- 상태 의존성: 억제 신호가 상태 독립적(상수 또는 재생된 신호)이라면, 해당 수준은 불안정하다. 신호는 반드시 네트워크의 현재 상태에 대한 정보를 운반해야 한다.
정보율 경계( $h$ ):
- 데이터율 정리를 적용하여, 수준을 안정화하는 모든 피드백 메커니즘은 채널 용량 $C$ 가 $h$ 보다 크거나 같아야 함을 증명한다. 여기서 $h$ 는 네트워크의 불안정성이 상태에 대해 생성하는 정보율(클램프된 시스템의 불안정한 고윳값의 양의 실수부의 합)이다.
- 참조 네트워크의 경우, $h \approx 28.9$ bits/s이다.
- 효율성: 효율적인 "줌잉" 코더는 $h$ 보다 약간 높은 비율(예, $1.02h$ )로 수준을 유지할 수 있는 반면, 정적 코드는 양자화 비효율성으로 인해 훨씬 높은 비율(종종 $>2h$ 에서 $8h$ )을 요구한다.
정보 정체성 및 조절 예산(Information Identity and Regulation Budget):
- 정리 4: 백색 가우시안 채널을 가진 선형화된 네트워크에 대해, 수신된 신호가 초기 상태에 대한 정보를 축적하는 비율은 $g \neq 0$ 인 한 노이즈 진폭이나 이득에 관계없이 정확히 $h$ 이다. 이는 $h$ 가 시스템의 불안정성의 징표임을 확립한다.
- 보드 적분(Bode's Integral): 동일한 비율 $h$ 는 "조절 예산"을 결정한다. 주파수에 대한 로그 민감도 함수의 적분은 $h/2$ 이다. 이는 트레이드오프를 의미한다: 즉, 더 강력한 피드백은 느린 입력을 감쇠시키는 대신 더 빠른 입력을 증폭시킨다.
침강점(Settling Point) vs 설정값(Setpoint): 이 수준은 생리학적 의미에서의 "침강점"이다: 즉, 일시적인 섭동에는 저항하지만 지속적인 입력 하에서는 변화한다. 네트워크는 지속적인 편향을 거부하는 데 필요한 적분 모티프(예: 느린 칼슘 의존성 조절)가 부족하므로, 수준은 입력에 비례하여 이동한다.

의의 및 주장
본 논문은 명시적인 설정값 변수나 가소성 없이 재귀 신경 네트워크가 어떻게 끌어당기는 동작 수준을 생성할 수 있는지에 대한 정확하고 테스트 가능한 진술을 제공한다고 주장한다. 본 연구의 의의는 다음과 같다:

기계적 기원: 설정값이 외부 참조값이 아니라, 재귀 루프를 통한 정보의 흐름(특히 흥분과 억제의 균형)으로부터 발생함을 입증한다.
정량적 한계: 이 수준을 유지하는 것이 억제 경로의 정보 용량에 대한 엄격하고 정량적인 요구 사항( $C \ge h$ )을 부과함을 확립한다.
다른 개념과의 구별: 여기서 "정보 흐름"은 수준이 유지될 때도 존재할 수 있는 쌍방향 예측 통계(전이 엔트로피 등)와는 구별되는, 안정화를 위해 필요한 채널 용량을 의미한다.
제한된 범위: 저자는 이 결과가 특정 모델 클래스(고정된 연결, 가소성 없음) 내에서의 가능성을 확립한다고 명시한다. 이는 생물학적 설정값이 항상 이런 방식으로 발생한다고 증명하는 것이 아니라, 이 메커니즘이 끌어당기는 수준을 생성하기에 충분함을 보여주는 것이다. 생리학적 설정값으로의 매핑은 실험적으로 테스트되어야 할 가설로 남아 있다.

이 작업은 제어 이론과 신경과학을 연결하며, 신경 발화율의 안정성이 근본적으로 억제 피드백을 통해 자신의 상태에 대한 정보를 전달하는 속도에 의해 제한됨을 보여준다.

유사한 논문