시간변동 교란으로 구분하는 통합‑임계 모델

초록

이 논문은 감각 증거를 누적하여 일정 임계값에 도달할 때까지의 의사결정 과정을 설명하는 여러 일차 확률 미분 방정식 모델을 비교한다. 시간에 따라 변하는 교란을 도입한 두 가지 실험 프로토콜을 이용해 평균 및 표준편차 변화로 모델을 구분할 수 있음을 보였다. 고신호‑대‑잡음 비율에서 드리프트‑디퓨전 모델은 오르스틴‑우엔베르크(OU) 과정과 구별되지만, 서로 간에는 완전한 구분이 어려웠다. 또한 안정·불안정 OU와 비선형 적분기 모델도 표준편차 변화를 통해 구분 가능함을 제시한다.

상세 분석

본 연구는 감각 증거 누적 과정을 수학적으로 기술하는 일차 확률 미분 방정식(SDE) 모델들을 체계적으로 비교한다. 구체적으로, (1) 일정한 드리프트와 확산을 갖는 표준 드리프트‑디퓨전 모델(DDM), (2) 시간에 따라 변하는 드리프트를 포함한 변동 드리프트 DDM, (3) 선형 복원력을 갖는 안정 OU 과정, (4) 복원력이 반대 방향인 불안정 OU 과정, (5) 비선형 포화 효과를 포함하는 비선형 적분기 모델을 대상으로 한다. 각 모델은 1차원 확률 과정 x(t)로 표현되며, 임계값 ±θ에 도달하면 반응 시간이 기록된다.

두 가지 교란 프로토콜은 (A) 일정 구간에 순간적인 전류 펄스를 삽입하는 ‘단일 펄스’와 (B) 연속적인 사인파 형태의 ‘진동 교란’이다. 교란은 모델의 드리프트 항에 직접 가산되며, 시뮬레이션에서는 신호‑대‑잡음 비율(SNR)을 높게 설정해 평균 결정 시간이 짧고 변동성이 낮은 상황을 재현하였다.

시뮬레이션 결과는 교란 전후의 평균 결정 시간(μ)와 표준편차(σ)의 변화량(Δμ, Δσ)을 정량화하였다. DDM과 변동 드리프트 DDM은 교란에 대해 Δμ와 Δσ가 거의 동일한 패턴을 보였으며, 이는 두 모델이 드리프트 항의 시간적 변동을 통해 동일한 통계적 효과를 생성한다는 것을 의미한다. 반면 OU 과정은 복원력 파라미터 λ에 따라 교란에 대한 민감도가 크게 달라졌다. 안정 OU(λ>0)는 교란이 가해지면 평균이 크게 감소하고 σ가 감소하는 반면, 불안정 OU(λ<0)는 평균이 오히려 증가하고 σ가 크게 확대된다. 이러한 차이는 λ의 부호에 따른 상태 공간의 수렴·발산 특성에서 기인한다.

비선형 적분기 모델은 포화 함수 f(x)=αx/(1+βx²) 형태를 사용했으며, 교란이 가해질 때 Δσ가 다른 모든 선형 모델보다 현저히 크게 변한다. 이는 비선형 포화가 증거 누적 속도를 비대칭적으로 조절해 변동성을 증폭시키기 때문이다.

수학적 증명 부분에서는 각 모델의 퍼스트 패스 타임(first‑passage time) 분포에 대한 라플라스 변환을 이용해 교란 전후의 모멘트를 정확히 계산하였다. 특히 OU 과정에 대해서는 고유값 해석을 통해 λ의 부호가 Δμ와 Δσ에 미치는 영향을 정량화했으며, DDM은 고정된 drift와 diffusion 항 때문에 교란에 대한 선형 응답을 보임을 보였다.

결론적으로, 고SNR 상황에서 평균과 표준편차의 변화 패턴만으로도 DDM 계열과 OU 계열을 명확히 구분할 수 있다. 또한, 안정·불안정 OU를 구분하고, 비선형 적분기 모델을 선형 모델들과 구별하는 데 표준편차 변화가 핵심 지표가 된다. 이러한 프로토콜은 행동 실험에서 간단히 구현 가능하며, 신경생리학적 메커니즘을 추론하는 데 유용한 도구가 될 것이다.