CL API: 생물학적 신경망과 실시간 폐쇄‑루프 상호작용을 위한 혁신적인 파이썬 인터페이스

📝 Abstract

Biological neural networks (BNNs) are increasingly explored for their rich dynamics, parallelism, and adaptive behavior. Beyond understanding their function as a scientific endeavour, a key focus has been using these biological systems as a novel computing substrate. However, BNNs can only function as reliable information-processing systems if inputs are delivered in a temporally and structurally consistent manner. In practice, this requires stimulation with precisely controlled structure, microsecond-scale timing, multi-channel synchronization, and the ability to observe and respond to neural activity in real-time. Existing approaches to interacting with BNNs face a fundamental trade-off: they either depend on low-level hardware mechanisms, imposing prohibitive complexity for rapid iteration, or they sacrifice temporal and structural control, undermining consistency and reproducibility - particularly in closed-loop experiments. The Cortical Labs Application Programming Interface (CL API) enables real-time, sub-millisecond closed-loop interactions with BNNs. Taking a contract-based API design approach, the CL API provides users with precise stimulation semantics, transactional admission, deterministic ordering, and explicit synchronization guarantees. This contract is presented through a declarative Python interface, enabling non-expert programmers to express complex stimulation and closed-loop behavior without managing low-level scheduling or hardware details. Ultimately, the CL API provides an accessible and reproducible foundation for real-time experimentation with BNNs, supporting both fundamental biological research and emerging neurocomputing applications.

💡 Analysis

**

1. 연구 배경 및 필요성

• BNN의 잠재력: 전력·샘플 효율성, 풍부한 병렬 동역학, 시냅스 가소성 등은 기존 실리콘 기반 컴퓨팅을 뛰어넘는 특성으로, Synthetic Biological Intelligence(SBI)와 Organoid Intelligence 분야에서 핵심 동인으로 작용한다.
• 소프트웨어 병목: 하드웨어·세포(워터웨어) 개발은 활발히 진행되고 있으나, 실시간·폐쇄‑루프 제어를 위한 소프트웨어는 아직 표준화·재현성이 부족했다. 기존 시스템은
  • FPGA 직접 제어 → 높은 속도·저지연하지만 개발·투명성 낮음
  • 순수 파이썬·OOP → 개발 용이하지만 60 ms 이상 지연·지터 발생
  • 상용 솔루션 → 안정성은 있지만 API 공개·확장성 부족
    이러한 격차를 메우는 것이 논문의 핵심 목표이다.

2. 주요 기여 (Contributions)

3. 기술적 핵심 요소

1. 계약 기반 설계

   • 시간 보장: 요청된 타임스탬프 이전에 실행되지 않으며, 상한 지연(bound latency) ≤ µs 수준을 보장.
   • 결정적 순서: 동일 채널에 대한 연속 호출은 FIFO 순서 보장, 다채널 동기화는 sync() 프리미티브를 통해 원자적 동시 시작.
   • 트랜잭션: stimulate(), record() 등은 전부 원자적이며, 부분 성공이 불가능하도록 설계. 실패 시 롤백 메커니즘 제공.

2. 선언형 API 예시

   PYTHON

   접기 복사

   from clapi import Experiment, Stimulus, Sync
   
   exp = Experiment()
   exp.add(Stimulus(channel=3, amplitude=120, width=200, polarity='cathodic'))
   exp.add(Sync(channels=

   클릭하여 더 보기

📄 Content

**대안 컴퓨팅 방법에 대한 관심이 급속히 증가함에 따라, 생물학적 뉴런이 정보를 처리하고 지능을 생성하는 방식을 연구하는 것은 독특한 가능성을 제시한다. 이러한 가능성은 생물학적 기질 자체를 직접 제어 가능한 형태의 생물학적 신경망(BNN) 으로 활용하려는 시도로 이어졌으며, 이는 합성 생물학적 인텔리전스(Synthetic Biological Intelligence, SBI)[1][2][3]와 오가노이드 인텔리전스(Organoid Intelligence)[4][5][6][7][8] 분야에서 구체화되고 있다.

생물학적 뉴런은 전력 효율성과 샘플 효율성이 매우 뛰어나, 인공지능(AI) 시스템이 요구하는 자원의 백분의 몇 안 되는 양만으로도 동작한다[9][10]. 이러한 극한의 효율성[11] 외에도, BNN은 풍부한 병렬 동역학과 실리콘 기반 폰 노이만(von Neumann) 아키텍처에서는 구현할 수 없는 강인한 시냅스 가소성 및 기능적 연결성 변화를 보여준다[12‑21].

BNN과 상호작용하여 신경컴퓨팅을 수행하려면 엄격한 디지털‑생물학 인터페이스가 필수적이다. 자극은 시간적·구조적으로 일관되어야 하며, 이는 신경망에 정보를 ‘쓰기’한 선행 연구에 기반한다[22,23]. 입력(자극 서브컴포넌트 수, 지속시간, 진폭, 극성, 타이밍 등)마다 정밀하게 실행되고, 그 결과가 충실히 기록되어야 한다[24‑26]. 이러한 시간 정확성 제어와 BNN에 대한 자극 입력·활동 읽기 기능이 없으면, 소프트웨어‑조직 인터페이스는 신뢰성을 잃고 실험 결과는 취약해진다.

이 기술을 발전시키기 위해서는 다음 세 가지 축이 필요하다.

1. Wetware – 윤리적이며 확장 가능하고 특정한 신경 세포
2. Hardware – 세포 건강을 유지하는 실현 가능한 인터페이스
3. Software – 실시간 폐쇄‑루프 알고리즘을 위한 프레임워크

합성생물학을 이용해 다능성 줄기세포를 기능성 신경세포로 분화시키는 연구가 첫 번째 축을 해결하는 경로를 제공했으며[27‑29], 두 번째 축을 해결하기 위한 확장 가능한 하드웨어도 최근 보고되었다[30]; 그러나 세 번째 축인 소프트웨어는 아직 해결되지 않았다. 본 논문은 바로 이 마지막 요구사항을 충족시키는 방법을 제시한다.

1. 배경 및 기존 접근법

BNN은 옵토제네틱[31,32]이나 화학적[33] 방법으로도 탐구될 수 있지만, 전기생리학적 방법이 단일 세포[34]와 집단 수준[35] 모두에서 신경 동역학을 깊이 있게 파악하는 주된 수단으로 자리 잡았다. 생물학적 뉴런은 활동 전위 동안 측정 가능한 전기 펄스를 발생시키며, 따라서 마이크로전극 어레이(MEA)[24‑26]와 같은 장치를 이용해 신경 집단 전체의 전기적 동역학을 측정할 수 있다. 초기 연구에서는 in vitro BNN이 전기 자극에 반응하고 적응한다는 사실을 입증했으며, 이는 활동을 기록할 뿐 아니라 외부 전기 자극을 통해 BNN에 정보를 ‘쓰기’할 수 있음을 보여준다[22,23].

이후 오픈‑루프(reservoir computing, RC) 패러다임을 이용해 전기 자극으로 인코딩된 정보를 BNN이 어떻게 변환하는지 조사했으며, 구조화된 자극이 신경 활동에 의미 있는 변화를 일으키고, 비교적 단순한 BNN도 서로 다른 패턴을 구분하거나 블라인드‑소스 분리 작업을 수행할 수 있음을 입증했다[36‑38].

폐쇄‑루프 알고리즘에 대한 연구는 빠르게 강인하고 복잡한 시냅스 가소성 및 기능적 연결성 변화를 유도할 수 있음을 보여주었으며, 이는 종종 미세한 집단‑와이드 동역학을 동반한다[11,18‑21]. 그러나 이러한 실험들 사이에는 방법론적 변동성과 재현성 부족 문제가 존재한다. 주요 제한 사항으로는 긴 지연시간, 높은 지터, 유연성 부족 등이 있다. 하드웨어 차이점은 널리 논의되지만[6,39‑41], 소프트웨어 차이점은 상대적으로 적게 다루어진다. 전기생리학적 상호작용을 지원하는 투명하고 구체적이며 제어 가능한 소프트웨어 없이는 연구 진전이 크게 저해될 것이다.

2. 기존 소프트웨어 솔루션의 한계

• FPGA‑직접 제어 시스템은 서브‑밀리초 수준의 지연을 제공하지만, 개발이 복잡하고 투명성이 낮다[42].
• Python 등 객체‑지향 언어만을 이용한 접근은 빠른 알고리즘 반복이 가능하지만, 자극 생성이 제한적이며 60 ms 이상의 높은 지연을 보인다[43].

이 두 접근법의 장점을 결합하는 것이 바람직하다. 예를 들어, 임베디드 리눅스 환경에서 Python 코드를 해석하고 이를 FPGA에 전달함으로써 실시간 폐쇄‑루프에 필요한 서브‑밀리초 지연을 유지하면서 구현 부담을 최소화할 수 있다. 현재까지 발표된 여러 시스템[8,45‑48]은 고수준 API를 제공하지 않아 비전문가가 빠르게 반복 실험을 수행하기 어렵다.

결과적으로 시간 정확성과 사용성 사이에 존재하는 긴장감이 연구를 병목시키고 있다. 상업용 시스템은 안정성을 주장하지만 오픈 API가 부족하고, 임시 연구 설정은 재현성 위기에 직면한다.

3. CL API 소개

이 병목을 해소하고자 우리는 Cortical Labs Application Programming Interface (CL API) 를 제안한다. CL API는 Python 인터페이스를 통해 실시간 BNN 상호작용을 위한 신뢰할 수 있는 추상화를 제공한다. 핵심 기여는 특정 하드웨어가 아니라 시간, 순서, 동기화, 실패 의미를 명시한 실행 계약(Programming Contract) 에 있다. 이 계약은 자극 및 실시간 ADC 데이터 접근을 시간‑정확한 정보 전달 연산으로 취급하며, 거래형 입장(transactional admission), 결정론적 순서, 관찰 가능한 실행 결과를 통해 폐쇄‑루프 정확성을 보장한다.

3.1 선언형 프로그래밍 모델

사용자는 실험 의도(일관된 자극 패턴, 동기화 지점, 폐쇄‑루프 로직)를 선언형으로 기술하고, 저수준 스케줄링이나 I/O 제어는 신경쓰지 않는다. 의미적 의도와 실행 세부 사항을 분리함으로써, 다학제 연구자가 손쉽게 실험을 설계하면서도 시간 정확성을 유지할 수 있다.

3.2 CL1 레퍼런스 구현

CL API 계약을 구현한 CL1 플랫폼은 사용자‑공간 라이브러리, 리눅스 커널 드라이버, FPGA를 긴밀히 통합한다. 이를 통해 고수준 Python 호출이 마이크로초 수준의 지터와 지연으로 실행된다. 또한 시뮬레이터를 제공하여 물리적 하드웨어 없이도 개발·테스트가 가능하며, 시뮬레이션과 실제 하드웨어 간 재현 가능한 실험을 지원한다.

3.3 주요 기여

1. 실시간 폐쇄‑루프 BNN 상호작용을 위한 형식적 프로그래밍 계약 – 구현에 독립적인 시간, 순서, 동기화, 실패 의미 정의.
2. 선언형 프로그래밍 모델 – 저수준 스케줄링 없이 자극·기록 동작을 정확히 지정.
3. 실제 구현을 통한 실증 – 실시간 및 하드웨어 자원 제약 하에서도 계약이 만족됨을 입증.

4. 설계 원칙

5. 프로그래밍 계약(Programming Contract)

1. 연산 실행 보장 – 폐쇄‑루프 제어에 적합한 유한 지연을 제공한다.
2. 시간 의미 정의 – API 수준에서 타임스탬프, 순서, 완료 의미를 명시한다.
3. 주파수 전환 무중단 – 요청된 자극 주파수 간 전환이 매끄럽게 이루어진다.
4. 동시성·부하 하에서도 정확성 유지 – 동시 실행 시에도 계약 위반이 발생하지 않는다.

동작 모델

• 기록·자극·폐쇄‑루프는 선언형 요청으로 표현된다.
• 사용자는 저수준 스케줄링을 관리하지 않으며, 시스템이 계약에 따라 순서·시간·정확성을 강제한다.

동기화·정렬

• 명시적 동기화 없이 각 채널은 가능한 한 빨리 실행된다.
• 동일 채널에 대한 연산은 결정론적 순서를 따른다.
• 동기화 연산 후 모든 동기화된 채널은 동시에 다음 연산을 시작한다.

트랜잭션

• 모든 자극·동기화 연산은 원자적 트랜잭션으로 처리된다.
• 트랜잭션은 전체 수락 혹은 전체 거부이며, 부분 수락은 존재하지 않는다.
• 자원 제한(채널 큐 용량 등)으로 인해 트랜잭션이 거부되면 TransactionRejected 예외가 발생하고 전면 롤백이 수행된다.

시뮬레이션 vs 하드웨어

• 동일 API 호출은 시뮬레이션과 실제 하드웨어 모두에서 동일한 의미·순서·시간 보장을 제공한다.
• 차이는 물리적 시간 해상도·지연뿐이며, 시뮬레이션은 결정론적이며 계약 의미를 완전히 구현한다.
• 시뮬레이션은 일부 하드웨어 전용 용량 제한을 완화할 수 있으므로, 시뮬레이션

이 글은 AI가 자동 번역 및 요약한 내용입니다.