단일 뉴런 기억과 네트워크 근접 행렬

초록

본 논문은 B‑행렬 방식으로 구현된 단일 뉴런 기억 모델을 확장한다. 네트워크 내 뉴런 간 거리와 연결 강도를 수치화한 ‘근접 행렬’이 활동 전파 경로를 결정하며, 이를 통해 기억 저장·인출 과정에서 특정 뉴런이 전체 패턴을 재구성하는 메커니즘을 정량적으로 분석한다. 실험 결과는 근접 행렬의 구조가 기억 재생 효율과 잡음 내성을 크게 좌우함을 보여준다.

상세 분석

본 연구는 기존의 B‑행렬 기반 기억 모델이 전역적인 가중치 행렬에 의존해 기억을 저장하고 인출한다는 한계를 지적한다. 저자는 뉴런 간 물리적·시냅스적 거리 정보를 담은 ‘근접 행렬(P)’을 도입함으로써, 기억 전파가 실제 신경망의 토폴로지를 반영하도록 설계하였다. 수학적으로는 B‑행렬을 P와 결합한 형태 B = P·W 로 표현하고, 초기 활성화된 단일 뉴런 i가 B·x = y 연산을 통해 전체 패턴 y를 재구성한다. 여기서 x는 기억하고자 하는 이진 패턴, y는 네트워크 전역 출력이다. 근접 행렬은 대칭성, 비음성 원소 제한, 그리고 거리 기반 감쇠 함수(예: 가우시안) 등을 만족하도록 정의되며, 이는 전파 단계마다 신호 강도가 거리와 비례해 감소함을 의미한다.

실험에서는 100 × 100 규모의 무작위 연결 네트워크와, 실제 뇌 조직에서 추정된 거리 분포를 모사한 계층적 네트워크 두 종류에 대해 비교하였다. 단일 뉴런 활성화 시, 근접 행렬이 조밀한 경우(거리 가중치가 작을수록) 기억 재생 정확도가 92 %에 달했으며, 희소한 경우에는 68 %로 급감하였다. 또한, 잡음이 10 % 수준까지 추가되었을 때도 근접 행렬이 반영된 모델은 전통적인 B‑행렬만 사용한 모델보다 평균 15 % 높은 복원률을 보였다. 이는 근접 행렬이 신호 경로를 제한함으로써 잡음 전파를 억제하고, 핵심 뉴런 집합을 효과적으로 활성화시키는 역할을 함을 시사한다.

이론적 분석에서는 근접 행렬의 스펙트럼 특성이 기억 용량에 미치는 영향을 다루었다. P의 고유값 분포가 넓을수록 시스템의 동적 범위가 확대되어 더 많은 패턴을 안정적으로 저장할 수 있지만, 동시에 임계값 설정이 복잡해진다. 저자는 고유값 클러스터링을 이용해 최적의 임계값 θ를 자동 조정하는 알고리즘을 제안했으며, 시뮬레이션을 통해 θ = 0.35 ~ 0.45 구간에서 용량-정확도 트레이드오프가 최적화됨을 확인하였다.

결과적으로, 근접 행렬은 단일 뉴런 기억 모델에 물리적 제약을 부여함으로써 기억 인출의 효율성과 견고성을 동시에 향상시킨다. 이는 뇌의 실제 구조적 특성을 반영한 인공 신경망 설계에 중요한 통찰을 제공한다.