마코프 이벤트 기반 스파이킹 신경망 프레임워크

초록

본 논문은 잡음이 섞인 적분‑발화(Integrate‑and‑Fire) 뉴런들로 구성된 스파이킹 신경망에서 스파이크 시점들의 연속이 마코프 체인으로 기술될 수 있음을 증명한다. 이벤트 기반 접근법을 통해 전위 변수 없이 스파이크 타임만으로 네트워크 동역학을 완전히 기술하고, 선형 I‑F 모델, 억제·흥분 시냅스, 전송 지연, 잡음이 포함된 시냅스 통합, 절대·상대 불응기 등을 포함한 다양한 상황에서 전이 확률을 명시적으로 유도한다.

상세 분석

논문은 먼저 기존의 연속 시간 전위 기반 모델이 계산적으로 비효율적이며, 특히 잡음이 큰 경우 시뮬레이션 비용이 급증한다는 점을 지적한다. 이를 극복하기 위해 저자들은 “이벤트 기반”이라는 개념을 도입한다. 여기서 이벤트는 뉴런이 발화하는 순간, 즉 스파이크가 발생하는 시점을 의미한다. 핵심 아이디어는 각 뉴런의 다음 스파이크 시각이 현재 시각과 네트워크 상태(다른 뉴런들의 최근 스파이크 시각, 시냅스 가중치, 지연 시간 등)에만 의존한다는 가정이다. 이 가정 하에 스파이크 시퀀스는 마코프 체인으로 모델링될 수 있다.

수학적으로는 먼저 잡음이 가우시안 백색 잡음 형태로 전위에 가해지는 확률 미분 방정식을 설정하고, 이를 적분하면 각 뉴런의 전위가 일정 임계값에 도달하는 첫 번째 통과 시간(first‑passage time)의 분포를 얻는다. 이 분포는 인터스파이크 간격(ISI) 확률밀도함수로 해석된다. 저자들은 이 ISI 분포를 이용해 조건부 전이 확률 (P(t_{n+1}|t_n, \mathbf{s}_n)) 를 명시적으로 계산한다. 여기서 (\mathbf{s}_n) 은 현재 스파이크 시점까지의 네트워크 상태 벡터이며, 전이 확률은 시냅스 전도율, 지연, 그리고 불응기 함수에 따라 달라진다.

특히 선형 I‑F 모델에 대해 저자들은 닫힌 형태의 해를 제시한다. 흥분성 시냅스와 억제성 시냅스를 동시에 포함한 경우에도, 각 시냅스 입력을 독립적인 포아송 과정으로 모델링하면 전체 입력은 가우시안 혼합으로 근사될 수 있다. 이때 전이 확률은 누적 정규분포 함수(CDF) 형태로 표현되며, 파라미터(시냅스 가중치, 지연, 잡음 강도 등)의 변화가 전이 확률에 미치는 영향을 정량적으로 분석한다.

또한 절대 및 상대 불응기 효과를 포함시키기 위해, 스파이크 직후 전위가 일정 기간 0으로 고정되는 절대 불응기와, 시간이 지남에 따라 전위 회복 속도가 점진적으로 증가하는 상대 불응기를 각각 수식에 삽입한다. 이 두 불응기 메커니즘은 전위 초기 조건을 변경함으로써 ISI 분포에 비선형적인 변형을 일으키지만, 저자들은 이를 마코프 전이 커널에 적절히 통합하는 방법을 제시한다.

마지막으로, 논문은 시뮬레이션을 통해 제안된 마코프 모델이 실제 이벤트 기반 시뮬레이터와 거의 동일한 스파이크 통계(발화률, 상관 함수, ISI 히스토그램 등)를 재현함을 검증한다. 이는 전위 변수 없이도 네트워크 동역학을 정확히 기술할 수 있음을 실증적으로 보여준다.