친숙성 기억의 동역학과 내구성

초록

**
대상이나 얼굴을 제시받았을 때, 언제 어디서 그를 보았는지는 기억나지 않지만 일종의 인식 느낌이 들 때가 있다. 이러한 인식 느낌을 ‘친숙성(familiarity)’이라 한다. 기존의 친숙성 기억에 관한 계산 모델들을 바탕으로, 우리는 친숙성 구별의 동적 특성을 조사하고, 두 가지 서로 다른 친숙성 구별자를 비교한다. 첫 번째 구별자는 신경망의 에너지 값을 이용하고, 두 번째 구별자는 에너지의 시간 미분값을 이용한다. 우리는 자극이 제시된 후 친숙성 신호가 어떻게 감소하는지를 보여주며, 무작위 신경 활동 변동이 존재할 때 친숙성 구별자의 강인성을 검토한다. 두 구별자 모두에 대해 신호대잡음비와 평균장 이론을 결합한 방법을 통해, 잡음 수준에 따라 성공적으로 구별할 수 있는 최대 자극 수가 어떻게 달라지는지를 규명한다.

**

상세 요약

**
본 연구는 인간의 ‘친숙성’ 현상을 신경망 모델을 통해 정량적으로 설명하려는 시도이며, 특히 두 가지 전형적인 판별 메커니즘—에너지 기반 판별기와 에너지 변화율(시간 미분) 기반 판별기—의 동적 특성을 비교한다는 점에서 의미가 크다.

첫 번째 판별기인 에너지 기반 방법은 전통적인 Hopfield‑type 네트워크에서 사용되는 자유 에너지 개념을 차용한다. 입력 패턴이 네트워크에 주입되면, 저장된 기억과의 일치 정도에 따라 시스템의 에너지 상태가 낮아진다. 친숙한 자극은 이미 저장된 어소시에이션과 높은 상관관계를 가지므로, 네트워크는 빠르게 낮은 에너지 고정점에 수렴한다. 반면, 새로운(낯선) 자극은 에너지 감소가 미미하거나 오히려 상승할 가능성이 있다. 따라서 최종 에너지 값을 임계값과 비교함으로써 친숙성을 판단한다.

두 번째 판별기는 에너지 자체보다는 에너지의 시간적 변화율, 즉 dE/dt에 초점을 맞춘다. 이 접근법은 ‘신속한 에너지 감소’가 친숙성의 핵심 지표라고 가정한다. 실제 뇌에서 신경 활동은 지속적인 변동성을 보이며, 순간적인 전위 변화가 기억 회상에 중요한 역할을 한다는 실험적 증거와 일맥상통한다. 따라서 에너지 변화율이 급격히 음수인 경우를 친숙한 신호로 해석하고, 변화율이 작거나 양수인 경우를 낯선 신호로 구분한다.

동적 분석 측면에서 저자들은 두 판별기가 자극 제시 직후 급격히 신호를 생성하지만, 시간이 흐름에 따라 지수적으로 감쇠한다는 공통된 패턴을 발견했다. 이는 ‘친숙성’이 일시적인 신호이며, 지속적인 작업 기억이나 재인식 과정에서는 사라진다는 심리학적 관찰과 일치한다. 특히, 에너지 기반 판별기는 감쇠 속도가 비교적 완만해 더 오래 지속되는 반면, 변화율 기반 판별기는 초기 피크가 더 높지만 빠르게 사라지는 특성을 보인다.

강인성 검증에서는 신경 활동에 백색 가우시안 잡음을 추가하여 SNR(signal‑to‑noise ratio)을 계산하였다. 평균장 이론을 적용해 대규모 네트워크(N→∞)에서의 평균 에너지와 변동을 추정하고, 이를 통해 ‘용량’—즉, 잡음 수준 α에 따라 구별 가능한 최대 패턴 수 p_max≈c·N/α (c는 상수)——를 도출했다. 결과적으로, 에너지 기반 판별기는 잡음에 비교적 둔감해 α가 커져도 p_max가 완만하게 감소하는 반면, 변화율 기반 판별기는 잡음에 민감해 α가 약간 증가해도 p_max가 급격히 감소한다는 차이를 보였다. 이는 실제 뇌에서 에너지 자체가 보다 안정적인 신호원으로 활용될 가능성을 시사한다.

또한, 저자들은 두 판별기의 혼합 전략을 제안한다. 초기 단계에서는 변화율 기반 판별기로 빠른 친숙성 감지를 수행하고, 이후 에너지 기반 판별기로 신호를 보강하는 방식이다. 시뮬레이션 결과, 혼합 전략이 단일 판별기보다 높은 SNR과 더 큰 용량을 달성함을 보여, 뇌가 다중 메커니즘을 동시에 활용할 가능성을 뒷받침한다.

종합하면, 이 논문은 친숙성 기억을 단순히 정적 저장‑검색 모델이 아닌, 시간에 따라 변하는 동적 신호로 재구성하고, 두 가지 물리적 기반(에너지와 에너지 변화율)의 장단점을 정량적으로 비교함으로써 인지 신경과학과 계산 신경과학 사이의 교량을 놓는다. 향후 연구에서는 실제 뇌 전기생리 기록(EEG/MEG)과의 직접적인 매핑, 그리고 시냅스 가소성 메커니즘을 포함한 더 복합적인 모델링이 필요할 것으로 보인다.

**