생물학적 시간의 확장 현재 기억과 예측의 수학적 모델

초록

이 논문은 인지와 생물학적 시간의 “확장된 현재”를 수학적으로 기술한다. 기억을 의미하는 보존(retention)은 물리학의 이완 현상과 유사하게 모델링하고, 예측을 의미하는 전시(protention)는 새로운 함수 형태로 표현한다. 이를 통해 “생물학적 관성”이라는 개념을 도입하고, 시간적 정보 처리의 기본 메커니즘을 탐구한다.

상세 분석

논문은 먼저 인간 및 동물의 인지 과정에서 현재를 넘어서는 시간적 연속성을 ‘확장된 현재’라는 개념으로 정의한다. 이때 기억(retention)은 과거 정보를 일정 시간 동안 유지하는 물리적 이완 현상과 유사하게, 지수 감쇠 함수나 선형 감쇠 모델을 통해 정량화한다. 저자는 기존 물리학에서 사용되는 ‘relaxation time’ 개념을 차용해, 생물학적 시스템이 외부 자극에 대해 어떻게 점진적으로 반응을 감소시키는지를 수식화한다.

반면 전시(protention)는 미래 상황을 예측하거나 준비하는 과정으로, 전통적인 물리학에서는 다루기 어려운 비선형, 비대칭적 특성을 가진다. 저자는 이를 위해 ‘예측 커널’이라는 함수 형태를 제안한다. 이 커널은 현재 상태와 과거 보존된 정보의 가중합으로 구성되며, 가중치는 시간에 따라 변하는 ‘전시 가중 함수’를 통해 조절된다. 전시 가중 함수는 초기에는 급격히 상승하다가 일정 시점 이후 포화되는 S자형(sigmoidal) 형태를 띠며, 이는 생물학적 시스템이 초기에는 높은 기대감을 가지고 빠르게 반응하지만, 시간이 지나면 기대치가 안정화되는 현상을 반영한다.

특히 논문은 전시와 보존이 동시에 작동할 때 나타나는 ‘생물학적 관성(biological inertia)’ 개념을 도입한다. 관성은 전시와 보존의 곱셈적 결합으로 정의되며, 시스템이 현재 상태를 유지하면서도 미래에 대비하는 능력을 정량화한다. 수학적으로는 전시 함수와 보존 함수의 곱을 시간 적분한 값으로 표현되며, 이는 시스템이 외부 교란에 대해 얼마나 지속적으로 대응할 수 있는지를 나타낸다.

이러한 모델링은 신경생리학적 데이터, 예를 들어 시냅스 가소성이나 뉴런 발화 패턴과 비교했을 때, 실험적으로 관측되는 시간 지연과 감쇠 현상을 잘 재현한다. 또한, 모델 파라미터를 조정함으로써 다양한 생물 종이나 발달 단계별 차이를 설명할 수 있다. 저자는 이론적 프레임워크가 인지 과학, 행동 생물학, 그리고 인공 지능 분야에서 시간 기반 학습 메커니즘을 설계하는 데 활용될 수 있음을 강조한다.

결론적으로, 논문은 기억과 예측을 각각 물리적 이완과 새로운 전시 커널로 모델링함으로써, 시간적 정보 처리의 복합성을 단순화하고, ‘생물학적 관성’이라는 새로운 메트릭을 제시한다. 이는 기존 물리학적 시간 개념을 생물학적 인지 시스템에 확장하는 중요한 시도이며, 향후 실험적 검증과 모델 확장이 기대된다.