노이즈 신경망의 확률적 셀룰러 오토마타 모델

초록

**
본 논문은 복잡한 연결 구조를 가진 신경망을 확률적 셀룰러 오토마타(CA)로 모델링하고, 외부 자극·페이커메이커·자발적 잡음이 네트워크 활성화와 전역 진동을 어떻게 유도하는지 분석한다. 잡음이 일정 임계값을 초과하면 자발적 전역 진동이 발생하고, 이 전이 전에는 스토캐스틱 공명 현상이 선행한다. 모델은 50개의 뉴런만으로도 이러한 진동을 구현할 수 있음을 보여준다.

**

상세 분석

**
이 연구는 기존의 연속 미분 방정식 기반 신경망 모델과 달리, 이산적인 셀룰러 오토마타(CA) 프레임워크를 도입함으로써 신경 활동의 확률적 특성을 자연스럽게 포착한다. 각 셀(뉴런)은 0(비활성) 또는 1(활성) 두 상태만을 가지며, 시간에 따라 이산적인 업데이트 규칙에 따라 전이한다. 전이 확률은 (1) 외부 자극 강도, (2) 인접 뉴런들의 현재 활성화 비율, (3) 내부 잡음(스스로 발생하는 무작위 활성화) 세 요소의 함수로 정의된다. 특히 잡음 항은 베르누이 확률 p_noise 로 모델링되어, 실제 생물학적 신경계에서 관찰되는 무작위 스파이크를 정량화한다.

네트워크 토폴로지는 임의 그래프, 스몰월드, 그리고 계층적 모듈 구조 등 네 가지 유형을 실험적으로 구현하였다. 각 토폴로지는 평균 차수 ⟨k⟩와 클러스터링 계수 C를 조절함으로써 전파 효율과 동기화 경향을 비교한다. 결과적으로, 높은 클러스터링과 짧은 평균 경로 길이를 가진 스몰월드 구조가 전역 진동 발생에 가장 유리함을 확인했다. 이는 실제 뇌의 모듈화된 연결성에 대한 모델링적 시사점을 제공한다.

상태 전이의 거시적 거동을 분석하기 위해 평균 활성화 비율 ρ(t)=⟨σ_i(t)⟩_i 를 도입하고, ρ의 시간 평균 ⟨ρ⟩와 변동성 σ_ρ를 측정하였다. 파라미터 공간(p_noise, 외부 자극 I_ext)에서 ρ와 σ_ρ를 플롯한 결과, 두 개의 주요 전이선이 도출되었다. 첫 번째는 연속적인 활성화-비활성 전이(2차 전이)이며, 두 번째는 불연속적인 활성-진동 전이(1차 전이)이다. 특히 p_noise가 임계값 p_c≈0.12를 초과하면, 시스템은 자발적 동기화된 오실레이션 상태로 전이한다. 이 전이점 근처에서 입력 신호의 작은 변동이 출력 진동의 진폭을 크게 증폭시키는 스토캐스틱 공명 현상이 관찰되었으며, 이는 신경계가 약한 외부 신호를 효율적으로 증폭하는 메커니즘을 설명한다.

시뮬레이션은 10⁴ 개의 뉴런까지 확장했으며, 50개의 뉴런만을 포함한 작은 서브네트워크에서도 동일한 전이 현상이 재현되었다. 이는 전역 진동이 네트워크 규모에 크게 의존하지 않으며, 국소적인 연결 패턴과 잡음 수준만으로도 충분히 발생할 수 있음을 의미한다. 또한, 페이커메이커(주기적 외부 입력)를 도입했을 때, 시스템은 외부 주파수와 동기화되는 위상 잠금 현상을 보였으며, 이는 뇌파와 같은 리듬성 활동의 발생 메커니즘과 일맥상통한다.

이 모델의 주요 강점은 (1) 이산적이면서도 확률적인 전이 규칙을 통해 복잡한 신경 동역학을 간결하게 구현, (2) 다양한 네트워크 토폴로지를 손쉽게 적용 가능, (3) 잡음과 외부 자극을 독립적인 파라미터로 분리함으로써 스토캐스틱 공명과 전이 현상을 명확히 구분할 수 있다는 점이다. 한계로는 실제 신경세포의 연속적인 전위 변화와 시냅스 가소성(plasticity)을 반영하지 못한다는 점이며, 향후 모델에 가중치 학습 규칙을 도입하면 더 현실적인 뇌 기능 모사에 접근할 수 있을 것이다.

**