생물 기억의 형식적 그래프 모델링 접근

초록

이 논문은 살아있는 유기체의 기억을 환경 상태 공간 X에 대한 감각 입력을 기반으로 구성된 가중 그래프(데이터베이스)로 정의하고, 이를 범주론적 변환과 탐색 문제로 형식화한다. 감각 센서의 이진 출력은 부분집합 H를 만들고, H‑가시 상태들의 분할을 그래프 Γ_H 로 표현한다. 논문은 모델의 유연성, 계산 효율성, 오류 발생 메커니즘 및 언어 습득과 같은 학습 문제와의 연관성을 논의한다.

상세 분석

논문은 기억을 단순한 저장소가 아니라 “데이터베이스 Γ”라는 그래프 구조로 보는 혁신적인 시각을 제시한다. 환경의 상태 공간 X는 Borel σ‑대수와 확률 측도 µ 로 정의되며, 유기체 O는 유한 개의 이진 센서를 통해 X 를 관측한다. 각 센서는 X 를 두 개의 보완 집합으로 나누고, 이들 집합의 전체를 H 라고 하면 H 는 보완 폐쇄성을 갖는 부분집합 패밀리이다. H 로부터 유도된 동치 관계는 H‑가시 상태들의 분할 P(H) 를 만든다. 여기서 핵심은 P(H) 의 원소들을 정점으로, 두 정점 사이에 단 하나의 센서 h 가 한 정점을 포함하고 다른 정점을 포함하지 않을 때 간선을 연결하는 그래프 Γ_H 를 구성한다는 점이다. 이 그래프는 ‘벽 공간’ 이론에서 파생된 이중 그래프와 동일하며, 반드시 연결되고 이분 그래프가 된다.

범주론적 관점에서 Γ는 객체, 센서 추가·삭제·재구성은 사상(모핑)으로 표현된다. 특히, 센서 집합이 확대될 때 발생하는 사상은 Γ′ → Γ 형태의 전사 그래프 사상이며, 이는 기존 정점을 새로운 정점 집합에 매핑하면서 간선을 수축할 수 있다. 이러한 사상 구조는 기억 업데이트가 언제 효율적으로 수행될 수 있는지를 형식적으로 분석하게 한다.

계산 복잡도 측면에서 저자는 Γ_H 가 센서 수가 늘어날수록 임의의 큰 그래프와 동등하게 복잡해질 수 있음을 지적한다. 예시로 제시된 나침반 관측에서는 센서 정확도 ε 가 π/4 를 넘는 경우와 그렇지 않은 경우에 따라 Γ_H 가 트리와 사이클을 오가며 구조적 급변을 보인다. 이는 실제 생물학적 기억이 작은 감각 변화에도 급격히 재구성될 수 있음을 설명한다.

또한, 논문은 인간 기억의 오류, 일시적·영구적 기억 상실, 그리고 언어 습득과 같은 인지 현상을 이 모델로 해석한다. excitation 값은 감각 입력의 주관적 중요도를 가중치로 부여하고, 탐색 알고리즘은 가중 그래프 위에서 최단 경로나 중위수 경로를 찾아 추론을 수행한다. 따라서 오류는 가중치의 부정확성이나 그래프 구조의 불완전성에서 기인하며, 학습 과정은 새로운 센서를 추가하거나 기존 가중치를 재조정하는 일련의 사상으로 모델링된다.

전체적으로 이 논문은 기억을 “동적 네트워크” 로 보는 관점을 수학적으로 정교화하고, 범주론·그래프 이론·정보 이론을 결합해 인간·동물 기억의 구조와 동작을 설명하려는 시도를 보여준다.