네트워크 알고리즘이 뇌 시냅스 가중치 분포를 형성하는 메커니즘

초록

본 논문은 대규모 상호 연결된 뉴런 네트워크 모델을 제시하고, 전역적인 인과 관계를 통해 장기적인 동역학이 실험에서 관찰된 장기 꼬리형 단일 피크 시냅스 가중치 분포를 자연스럽게 생성함을 보인다. 기존의 국소적 모델이 가정하던 전제들을 배제하고, 네트워크 구조와 전파 메커니즘이 가중치 분포 형성에 핵심 역할을 함을 입증한다.

상세 분석

이 연구는 시냅스 가중치의 통계적 특성이 장기 꼬리형이며 최저값 근처에 피크를 보인다는 실험적 사실을 이론적으로 재현하려는 시도이다. 기존 모델들은 ‘인과적 국소성(causally local)’을 전제로, 여러 전구 뉴런이 동일한 수용 뉴런에 직접 연결된 상황만을 고려하였다. 이러한 접근은 전구 뉴런의 발화 메커니즘을 과도하게 단순화하고, 실제 뇌 회로의 복잡한 피드백 및 다중 경로 전파를 무시한다는 한계가 있다. 논문은 이러한 한계를 극복하기 위해 ‘인과적 전역성(causally global)’을 도입한다. 구체적으로, 뉴런 집합을 큰 규모의 그래프 형태로 모델링하고, 각 뉴런의 발화는 네트워크 전반에 걸친 인과 사슬(causal chain)에 의해 결정된다. 시냅스 가중치는 전통적인 Hebbian 규칙을 변형한 형태로, 사후 뉴런의 반응뿐 아니라 해당 반응을 유발한 전체 경로의 구조적 특성을 반영한다. 시뮬레이션에서는 무작위 초기 가중치와 연결 패턴을 부여한 뒤, 일정 시간 동안 스파이크 전파와 가중치 업데이트를 반복한다. 결과적으로, 네트워크는 안정적인 확률 분포에 수렴하는데, 이 분포는 실험적으로 보고된 ‘낮은 값에 피크가 있는 장기 꼬리형’ 형태와 일치한다. 중요한 점은, 이 분포가 특정 파라미터 튜닝 없이도 자연스럽게 나타난다는 것이다. 이는 시냅스 가중치 분포가 네트워크 토폴로지와 전역 동역학에 내재된 속성임을 시사한다. 또한, 모델은 가중치 변화가 국소적인 시냅스 수준을 넘어, 전체 네트워크의 연결 밀도, 클러스터링 계수, 평균 경로 길이 등에 민감하게 반응한다는 점을 보여준다. 이러한 결과는 학습과 기억 형성 과정에서 전역적인 회로 재구성이 가중치 분포를 조절한다는 가설을 뒷받침한다.