그리드 셀 형성의 새로운 프레임워크

초록

본 논문은 헤드‑디렉션 세포의 반응으로부터 6각형 격자 모양의 그리드 셀 발현을 설명한다. 저자는 헤드‑디렉션 세포의 가중치를 푸리에 기반의 등각 프레임(equiangular frame)으로 학습하고, 최소 분산 인코딩을 목표로 할 때 3개의 등각 주파수 벡터가 최적임을 수학적으로 증명한다. 이를 통해 헵시안 격자 패턴이 자연스럽게 나타나며, 회전·축척 변환에 대한 리매핑도 설명한다. 모델은 Hebbian 학습(Oja 규칙)만을 사용해 기존의 진동·어트랙터 모델이 요구하는 복잡한 가정들을 배제한다.

상세 분석

이 연구는 세 가지 핵심 가정을 바탕으로 그리드 셀의 발생 메커니즘을 재구성한다. 첫째, 입력 자극의 2차 통계가 정역(stationary)이라는 가정 하에, 입력 공분산 행렬이 푸리에 기저에 의해 대각화된다는 점을 이용한다. 둘째, 시냅스 가중치는 Oja 규칙에 따라 온라인으로 업데이트되며, 이는 입력의 주성분(Principal Component)과 동일한 푸리에 함수 형태로 수렴한다. 셋째, 신경 집단은 위치 정보를 최소 분산으로 인코딩하려는 최적화 목표를 가진다. 이때 Cramér‑Rao 하한을 이용해 Fisher 정보 행렬을 분석하면, 최소 분산을 달성하기 위한 주파수 벡터 집합이 ‘등각 프레임(equiangular frame)’이어야 함을 증명한다. 2차원 공간에서 N=3일 때, 120° 간격으로 배치된 세 개의 주파수 벡터(‘Mercedes‑Benz 프레임’)가 최적이며, 이는 격자 셀의 6각형 패턴과 직접적으로 연결된다.

수학적 증명 외에도 저자는 두 단계 학습 과정을 제시한다. 첫 단계에서는 자연 이미지의 평행 이동을 입력으로 사용해 헤드‑디렉션(HD) 세포의 가중치를 푸리에 성분으로 학습한다. 두 번째 단계에서는 학습된 HD 세포들의 출력을 선형 합산해 ‘복합’ 그리드 셀을 형성한다. 이때 각 HD 세포의 응답은 Gaussian 잡음이 추가된 독립적인 랜덤 변수로 가정하고, 동일한 분산을 갖는다고 전제한다. 결과적으로, 세 개의 등각 주파수 성분이 합성될 때 격자 모양이 명확히 나타나며, 잡음에 대한 강인성도 Oja 규칙의 수렴 특성으로 보장된다.

또한 모델은 환경 단서의 회전·축척 변환에 대한 그리드 셀의 리매핑 현상을 자연스럽게 설명한다. 입력 이미지가 회전하면 푸리에 주파수 벡터가 반대 방향으로 회전하고, 이는 격자 패턴의 회전으로 그대로 투영된다. 스케일 변환 역시 주파수 벡터의 크기 변화를 통해 격자 간격이 조절되는 방식으로 구현된다. 이러한 특성은 실험적으로 관찰된 그리드 셀의 축 정렬 및 변환에 대한 재배열 현상을 일관되게 설명한다.

마지막으로, 기존의 진동 간섭 모델과 연속 어트랙터 모델이 요구하는 ‘theta‑velocity 연동 진동’이나 ‘전달 연결의 완전한 평행 이동 대칭’ 같은 강력한 가정을 필요로 하지 않는다. 대신 Hebbian 학습이라는 생물학적으로 타당한 메커니즘만으로도 격자 패턴을 생성할 수 있음을 보여준다. 이는 그리드 셀 모델링에 있어 이론적 단순성과 실험적 타당성을 동시에 확보한 중요한 진전이라 할 수 있다.