선택 기반 학습을 위한 지역 저장소 모델

초록

본 논문은 의사결정 일관성을 설명하기 위해 ‘지역 저장소(local reservoir)’ 개념을 도입한 선택 기반 학습(CBL) 모델을 제안한다. 저장소 크기가 작을수록 과거 선택이 현재 선택에 미치는 편향이 커져 일관성이 높아지고, 크기가 클수록 독립적인 선택이 증가한다. 분석적 접근과 수치 시뮬레이션을 통해 모델의 동작을 검증하고, 단일 광자를 이용한 물리 구현 방안을 제시한다. 인간 실험 데이터와의 비교를 통해 모델의 타당성을 확인한다.

상세 분석

본 연구는 의사결정 과정이 ‘지역 저장소’라 불리는 제한된 환경 변수들의 집합에 의해 조절된다는 가설을 수학적으로 정형화한다. 저장소는 각 선택 옵션에 대한 잠재적 확률을 저장하는 상태벡터로 표현되며, 매 선택 시 해당 옵션의 확률이 강화(positive feedback)되고, 동시에 전체 저장소 용량에 따라 다른 옵션들의 확률이 상대적으로 감소한다. 저장소 용량 N이 충분히 크면 강화 효과가 전체 확률 분포에 미치는 비중이 작아져 선택이 거의 독립적으로 이루어지며, 이는 낮은 CBL 일관성으로 해석된다. 반대로 N이 작을 경우 강화가 전체 분포에 큰 영향을 미쳐 특정 선택이 반복될 확률이 급격히 상승한다. 저자는 이 현상을 마르코프 연쇄와 베르누이 과정의 결합으로 모델링하고, 확률 전이 행렬을 이용해 평균 일관성 지표와 시간 상관 함수를 도출한다. 분석 결과는 저장소 크기와 강화 강도(α)의 곱이 일관성 정도를 결정하는 주요 파라미터임을 보여준다. 또한, 저장소 내부의 ‘편향 분포(biased distribution)’가 어떻게 형성되는지에 대한 확률론적 설명을 제공하며, 이는 신경생리학적 시냅스 가중치 변화와 유사한 메커니즘으로 해석될 수 있다. 수치 시뮬레이션에서는 N=5,10,20 등 다양한 크기에 대해 선택 연속성, 상관 시간, 그리고 엔트로피 감소율을 측정했으며, 기대값과 시뮬레이션 결과가 잘 일치함을 확인했다. 물리 구현 부분에서는 단일 광자를 양자 비트로 이용해 선택을 랜덤하게 생성하고, 광자 검출 후 광학적 피드백 회로를 통해 ‘저장소 상태’를 업데이트하는 방식을 제안한다. 이 구현은 광자 발생률, 검출 효율, 피드백 지연 등이 저장소 파라미터에 대응하도록 설계되었으며, 시뮬레이션을 통해 광자 기반 시스템에서도 인간 수준의 CBL 일관성이 재현될 수 있음을 보였다. 마지막으로 인간 피험자를 대상으로 한 2AFC(두 대안 강제 선택) 과제에서 얻은 선택 연속성 데이터를 모델에 적합시켰으며, 최적 N≈8, α≈0.3이 실험 데이터와 가장 높은 상관을 보였다. 전체적으로 이 모델은 신경학적, 물리학적, 그리고 인공지능적 관점에서 선택 일관성을 통합적으로 설명할 수 있는 틀을 제공한다.