고전도 상태에서 LIF 뉴런이 베이즈 샘플링을 구현한다

본 논문은 뇌 내에서 관찰되는 높은 변동성(stochasticity)이 실제로 베이즈 추론과 같은 확률적 연산을 수행하는 메커니즘일 가능성을 탐구한다. 이를 위해 저자들은 LIF(Leaky Integrate‑and‑Fire) 뉴런이 고전도 상태(high‑conductance state, HCS)에서 어떻게 동작하는지를 이론적으로 분석하고, 그 결과가 신경 샘플링(neural sampling) 모델과 일치함을 보인다. 먼저, 기존 연구들은 시냅스 시간상수 τ_syn 이 막시간상수 τ_m 에 비해 무시할 수 있을 정도로 작다고 가정하고, 막전위를 OU 과정으로 근사했다. 이러한 접근은 첫 통과 시간(first‑passage time) 계산을 통해 발화율 ν 를 구할 수 있게 하지만, 실제 피질에서는 강한 시냅스 폭격으로 인해 총 시냅스 전도도가 크게 증가하고, 효과적 막시간상수 τ_eff 가 매우 짧아진다. 이 경우 τ_syn / τ_eff → ∞ 에 해당하는 역한계가 되며, 기존의 근사는 적용되지 않는다. 저자들은 이 문제를 해결하기 위해 두 가지 스파이킹 모드—버스트 스파이킹(burst spiking)과 일시적 정지(transient quiescence)—를 도입한다. 버스트 모드에서는 효과적 막전위가 임계값 θ 를 초과한 상태가 지속되며, 스파이크 간 간격이 재입력 기간 τ_ref 와 거의 동일하게 짧다. 이때 막전위의 자기상관을 고려해, 스파이크마다 조건부 확률 밀도 p(u_n|u_{n‑1}) 를 전파함으로써 버스트 길이 n 에 대한 발생 확률 P_n 과 평균 지속 시간 T_n 을 재귀적으로 계산한다. 수식 (3)·(4)에서 보듯, P_n 은 u_{n‑1} 가 θ 이상일 확률과 첫 통과 시간 h_T(θ, u_n) 를 결합한 형태이며, T_n 은 버스트 내 각 스파이크 사이의 평균 소요 시간을 적분으로 구한다. 정지 모드에서는 막전위가 θ 이하로 떨어져 장시간 비활성 상태에 머무른다. 이 구간에서는 전통적인 OU 근사를 적용해, 입력 전류 I_syn 의 확률분포 p(I_syn) 를 이용해 평균 발화율 ν̃(I) 를 구한다. 두 모드의 비율을 τ_ref 로 정규화하면 최종 발화율 ν_k 가 식 (2) 로 표현된다. 핵심적인 발견은 τ_eff 가 충분히 작아 고전도 상태에 도달하면, 뉴런의 응답 함수 ν_k(ū_k) 가 대칭적인 로지스틱 형태로 수렴한다는 점이다. 이는 NCC(Neural Computability Condition)를 만족시켜, 뉴런이 조건부 확률 p(z_k=1|z_{\k}) 를 직접 인코딩하게 만든다. 따라서 네트워크 전체가 이진 확률 변수들의 복잡한 확률 분포(예: 볼츠만 분포)를 스파이크 기반으로 샘플링할 수 있다. 시뮬레이션 결과는 이론적 예측과 매우 일치한다. 저자들은 5개의 LIF 뉴런을 HCS에 놓고, 임의의 볼츠만 매트릭스를 목표 분포로 설정하였다. 10⁴ ms 동안의 샘플링 후 얻어진 상태 분포는 목표 분포와 높은 상관관계를 보였으며, 10번의 독립 실험에 걸쳐 평균 오차가 매우 낮았다. 이러한 결과는 두 가지 중요한 함의를 가진다. 첫째, 뇌의 고전도 상태가 실제로 확률적 추론을 수행할 수 있는 물리적 기반을 제공한다는 점이다. 둘째, 제안된 모델은 저전력, 고속 뉴로모픽 하드웨어에 직접 구현 가능하며, ‘anytime computing’, 비용 없는 주변화, 대규모 병렬 처리와 같은 장점을 자연스럽게 활용한다. 따라서 이 연구는 신경과학적 이론과 인공지능 응용 사이의 다리를 놓는 중요한 기여라 할 수 있다.