노화와 비판적성 Hebbian 학습과 자기조직화 임계현상의 상호작용

초록

본 연구는 장기 학습이 신경망의 자기조직화 임계 상태를 파괴하고, 이는 인지 노화의 주요 메커니즘이 될 수 있음을 시뮬레이션을 통해 입증한다. 동적 시냅스 모델과 적분-발화 뉴런을 사용해 연결 손실, 노이즈 증가, 백질 감소 등 다양한 노화 요인을 결합하고, 특히 연장된 학습 이력이 기억 저장과 임계성 사이의 균형을 어떻게 무너뜨리는지를 분석한다.

상세 분석

이 논문은 인지 노화 현상을 신경역학적 관점에서 재해석한다. 핵심 가설은 ‘오랜 학습 이력(associative memory patterns)’이 네트워크의 자기조직화 임계성(self‑organized criticality, SOC)을 손상시켜 정보 처리 효율을 감소시킨다는 것이다. 이를 검증하기 위해 저자는 Tsodyks‑Markram 동적 시냅스 모델을 기반으로, 적분‑발화(Integrate‑and‑Fire) 뉴런 집합을 구성하였다. 시냅스 가중치는 Hebbian 학습 규칙에 따라 장기 강화(LTP)와 장기 억제(LTD)를 동시에 적용받으며, 시냅스 자원 고갈 및 회복 메커니즘이 포함된다.

노화 요인으로는 (1) 신경세포 및 연결 감소, (2) 백질(white matter) 감소에 따른 전도 속도 저하, (3) 외부 잡음(noise) 수준 상승, (4) 학습 이력의 누적을 설정하였다. 특히 학습 이력은 네트워크가 여러 차례의 연관 기억 패턴을 저장하면서 시냅스 가중치가 점진적으로 편향되는 과정을 시뮬레이션한다.

시뮬레이션 결과, 초기에는 네트워크가 파워‑law 분포를 보이며 임계 상태를 유지했지만, 학습 이력이 일정 임계치를 초과하면 시냅스 가중치 분포가 비대칭적으로 변하고, 전반적인 활동 폭이 감소한다. 이는 ‘임계성 붕괴’ 현상으로, 네트워크가 과잉 안정화(over‑stabilization) 혹은 과도한 발산(over‑excitation) 상태에 빠져 정보 전파가 비효율적으로 변한다. 또한, 연결 손실과 노이즈 증가는 임계성 붕괴를 가속화시키며, 백질 감소는 전도 지연을 통해 동기화 손실을 야기한다.

이러한 결과는 인지 노화가 단순히 신경세포 감소에 의한 것이 아니라, 장기간 학습에 의해 시냅스 구조가 ‘경직화’되고, 네트워크가 임계 상태에서 멀어지는 복합적 과정임을 시사한다. 특히, Hebbian 학습과 SOC 사이의 경쟁 관계가 노화 과정에서 중요한 조절 변수가 될 수 있음을 강조한다.