연속 위상 신호에 반응하는 스파이킹 뉴런을 위한 1차 비동질 마코프 모델

초록

본 논문은 연속적인 작은 위상 신호에 자극받는 스파이킹 뉴런의 인터스파이크 간격(ISI) 확률밀도를 설명하기 위해 1차 비동질 마코프 모델을 제안한다. 모델은 뉴런 고유 특성 함수와 신호 특성 함수를 곱 형태로 분리함으로써, 뉴런 내부 메커니즘을 알지 못하더라도 신호에 대한 반응을 예측할 수 있다. 특히 작은 신호와 중간 수준의 잡음 하에서 신호의 자기상관 및 교차상관이 ISI 밀도에 자연스럽게 나타나는 것을 보여준다. 또한 네 개 뉴런으로 구성된 상호 억제 네트워크를 설계해 두 입력 신호의 교차상관 출력을 생성하는 방법을 제시한다.

상세 분석

이 연구는 스파이킹 뉴런의 응답을 확률론적 관점에서 모델링하는 데 있어 중요한 전진을 이룬다. 기존의 동적 시스템 모델은 뉴런의 미세한 전기적 메커니즘을 상세히 기술해야 하는 반면, 제안된 1차 비동질 마코프 모델은 조건부 인터스파이크 간격(ISI) 밀도를 두 개의 독립적인 함수로 분해한다. 첫 번째 함수 fₙ(t)는 순수히 뉴런 자체의 재발 방출 특성을, 두 번째 함수 gₛ(t)·hₛ(τ)는 외부 연속 위상 신호의 통계적 특성을 담는다. 이러한 분리는 다음과 같은 두 가지 핵심 이점을 제공한다. 첫째, 뉴런 모델이 불명확하거나 실험적으로 측정하기 어려운 경우에도, 신호 특성만을 알고 있으면 전체 ISI 밀도를 근사할 수 있다. 둘째, 신호의 자기상관(autocorrelation)과 교차상관(cross‑correlation)이 ISI 밀도에 직접적으로 나타나는 구조적 메커니즘을 명시적으로 드러낸다. 특히 신호 진폭이 작고 잡음 강도가 중간 수준일 때, gₛ와 hₛ가 선형 근사로 표현될 수 있어, ISI 밀도의 1차 교정항이 신호의 2차 통계량(즉, 상관함수)과 일대일 대응한다는 점이 강조된다.

수학적으로는 비동질 마코프 연쇄의 전이 확률을
P(Tₙ₊₁∈dt|Tₙ)=fₙ(t)·gₛ(t)·dt
와 같이 정의하고, 장기적인 정상 상태에서는
pₛ(t)=fₙ(t)·Gₛ(t)
형태의 곱으로 표현한다. 여기서 Gₛ(t)=∫₀^∞ gₛ(τ)·hₛ(t−τ)dτ는 신호의 시간적 상관 구조를 반영한다. 이 식은 신호가 매우 약할 경우, Gₛ(t)≈1+ε·Cₛ(t) (Cₛ는 신호의 자기상관) 로 전개될 수 있음을 보여준다. 따라서 ISI 밀도의 미세한 변동이 바로 신호의 상관 정보와 동일시될 수 있다.

실험적 검증에서는 레이티니-스키 모델과 적합한 잡음 조건 하에서 시뮬레이션을 수행했으며, 제안된 모델이 실제 ISI 분포와 높은 일치도를 보였다. 특히 교차상관을 측정하기 위한 네 개 뉴런(두 개는 입력 신호를 각각 수신하고, 나머지 두 개는 상호 억제 연결을 통해 교차상관 신호를 생성) 네트워크를 설계함으로써, 복잡한 신호 처리 회로를 단순화할 수 있음을 입증했다. 이 네트워크는 전통적인 디지털 교차상관 연산을 스파이킹 기반 아키텍처로 대체할 수 있는 가능성을 제시한다.

결론적으로, 이 논문은 스파이킹 뉴런이 연속적인 위상 신호에 어떻게 통계적 정보를 인코딩하는지를 명확히 설명하고, 신호‑뉴런 분리를 통한 모델링 접근법이 신경공학 및 바이오인스파이얼 회로 설계에 실용적인 도구가 될 수 있음을 보여준다.