진화하는 애니맷에서 적합도와 통합 정보의 증가

초록

본 연구는 인공 에이전트(애니맷)가 단순한 네비게이션 과제를 해결하도록 수천 세대에 걸쳐 진화하면서, 적합도와 정보 통합·처리 능력 사이의 상관관계를 조사한다. 여러 정보‑통합 지표와 전통적인 정보‑처리 지표를 비교한 결과, 적합도가 높아질수록 정보 통합과 처리량이 동시에 증가함을 확인했으며, 특히 기억이 요구되는 과제에서는 통합 지표가 적합도를 예측하는 데 더 유리함을 보였다.

상세 분석

이 논문은 ‘통합 정보(integrated information)’라는 개념을 정량화하고, 그것이 생물학적 기능 복잡성과 어떻게 연결되는지를 인공 진화 실험을 통해 탐구한다. 실험에 사용된 애니맷은 2‑차원 격자 세계에서 목표 지점을 찾는 네비게이션 과제를 수행하도록 설계되었으며, 감각 입력(전방, 좌우, 후방)과 내부 상태(메모리 셀)로 구성된 신경망을 갖는다. 진화는 유전 알고리즘으로 진행되며, 적합도는 목표에 도달한 횟수와 이동 효율성으로 정의된다.

연구자는 Φ(Φ‑measure), Φ​_R, 그리고 통합 정보량(Integrated Information, II) 등 다양한 통합 지표와, 상호 정보량(mutual information), 전송 엔트로피(transfer entropy) 같은 전통적 처리 지표를 계산하였다. 중요한 발견은 적합도가 상승함에 따라 Φ‑계열 지표와 전송 엔트로피가 모두 증가한다는 점이다. 특히, 메모리 셀을 활용해 과거 정보를 보존하고 현재 감각과 결합하는 경우, Φ‑measure가 급격히 상승하면서 적합도와의 상관관계가 강화된다. 이는 ‘통합’이 단순히 정보량의 합산이 아니라, 서로 다른 입력 스트림을 비선형적으로 결합해 새로운 기능적 상태를 생성하는 과정임을 시사한다.

또한, 논문은 통합 지표가 과제의 구조적 요구사항(예: 기억 필요성)에 따라 예측력을 달리한다는 점을 강조한다. 기억이 필요 없는 단순 이동 과제에서는 전송 엔트로피와 같은 처리 지표가 충분히 적합도를 설명하지만, 기억을 요구하는 변형 과제에서는 Φ‑measure가 적합도 변동을 더 정확히 포착한다. 이는 통합 정보가 ‘기능적 복잡성’을 측정하는 데 있어, 특히 내부 상태와 외부 입력 사이의 상호작용을 반영하는 데 강점이 있음을 의미한다.

결과적으로, 이 연구는 진화 과정에서 정보 통합 능력이 자연 선택에 의해 동시에 강화된다는 가설을 실험적으로 뒷받침한다. 또한, 통합 정보 지표가 직접적인 적합도 측정이 어려운 상황에서도 시스템의 기능적 복잡성을 추정하는 유용한 도구가 될 수 있음을 보여준다.