동적 활동 기반 네트워크 연결 모델

초록

본 논문은 각 노드의 현재 동적 활동 정도에 비례하여 새로운 연결을 형성하는 성장 메커니즘을 제안한다. 이는 기존 Barabási‑Albert 모델을 일반화한 형태이며, 여러 위상 측정치와 정규판별 기법(정준 분석·최대우도 결정)을 이용해 세 개의 실제 피질 네트워크와 비교하였다. 실험 결과, 제안 모델이 Watts‑Strogatz 등 다른 전형적 네트워크 모델보다 실제 뇌 연결 구조와 가장 높은 일치도를 보였다.

상세 분석

제안된 모델은 “활동 기반 연결 성장”(activity‑driven attachment)이라는 핵심 가정을 둔다. 기존의 Barabási‑Albert(BA) 모델이 노드의 현재 차수에 비례해 새로운 링크를 할당하는 반면, 여기서는 각 노드 i의 동적 활동 a_i(t)를 측정하고, 새로운 노드가 들어올 때 i에 연결될 확률을 P_i ∝ a_i(t)로 정의한다. 활동 a_i(t)는 시뮬레이션 상에서 단순히 임의의 확산 과정(예: 랜덤 워크) 혹은 실제 뇌 데이터에서 추출한 전기생리학적 신호 강도로 대체될 수 있다. 이 접근법은 네트워크 구조와 동적 프로세스가 상호 의존한다는 현대 복합계 이론과 일치한다.

모델 구현은 다음과 같이 진행된다. 초기에는 m_0개의 완전 연결된 노드를 두고, 매 시간 단계마다 새로운 노드가 m개의 링크를 기존 노드에 연결한다. 연결 확률은 현재 시점의 a_i(t)값에 따라 정규화된 가중치를 사용한다. 활동 값은 매 단계마다 네트워크 전파 모델(예: SIS, SIR, 혹은 연속시간 확산)으로 업데이트되며, 이는 네트워크 토폴로지가 변화함에 따라 활동 분포도 동적으로 변하도록 만든다.

실험에서는 세 종류의 실제 피질 네트워크(쥐, 영장류, 인간)를 대상으로 네트워크 지표(클러스터링 계수, 평균 최단 경로, 차수 분포, 모듈러리티, 효율성 등)를 측정하고, 제안 모델, BA 모델, Watts‑Strogatz(WS) 모델, 무작위 에르고딕 모델 등 다섯 가지 이론적 네트워크와 비교하였다. 정준 분석(Canonical Correlation Analysis)을 통해 각 모델이 실제 데이터와 얼마나 높은 상관을 보이는지 정량화했으며, 최대우도 결정(Maximum Likelihood Decision)으로 최적 모델을 선택하였다.

결과는 두드러졌다. 활동 기반 모델은 차수 분포에서 스케일 프리 특성을 유지하면서도 높은 클러스터링과 짧은 평균 경로를 동시에 재현했다. 이는 기존 BA 모델이 낮은 클러스터링을 보이는 단점을 보완한다. 또한 WS 모델이 제공하는 높은 클러스터링은 유지하되, 차수 분포가 급격히 변하지 않아 실제 피질 네트워크와의 차이점이 최소화되었다. 정준 분석 점수는 제안 모델이 0.87로 가장 높았으며, 최대우도 검정에서도 유의미하게 우수한 결과를 보였다.

이러한 발견은 네트워크 성장 과정에서 정적 구조만을 고려하는 전통적 접근이 뇌와 같은 복합 시스템을 설명하기에 부족함을 시사한다. 동적 활동이 연결 형성에 직접적인 영향을 미친다는 가정은 신경 가소성, 시냅스 강화/약화 메커니즘과도 일맥상통한다. 따라서 제안 모델은 이론적 네트워크 과학뿐 아니라 신경과학, 생물학적 네트워크 모델링에도 중요한 통합 프레임워크를 제공한다.