감정이 이끄는 의사결정 컴퓨팅 아키텍처

초록

본 논문은 감정의 “빠르고 흐릿한” 신호가 인지적 “느리고 정밀한” 의사결정 과정을 보조하도록 설계된 컴퓨팅 아키텍처를 제시한다. 신경생물학적 근거를 바탕으로 감정·인지 차원을 신경조절 시스템을 통해 연결하고, Guided Propagation Networks(GPN) 를 이용해 감정 단서가 행동 결과 예측에 어떻게 통합되는지를 시뮬레이션으로 검증한다. 실험 결과는 여러 감정 영향의 통합 효과와 전면적인 감정 폭발(“all‑out emotion”)이 시스템에 미치는 부작용을 보여준다.

상세 분석

이 연구는 인간의 의사결정 메커니즘을 모사하기 위해 두 개의 상호 보완적 채널을 도입한다. 첫 번째는 감정 채널로, “swift and fuzzy” 특성을 갖으며 빠르게 변하는 신경전달물질(도파민, 세로토닌 등)의 변동을 모델링한다. 이 채널은 환경 자극에 대한 초기 평가와 위험·보상 신호를 즉각적으로 제공한다. 두 번째는 인지 채널로, “slow and precise” 특성을 가지며 전통적인 강화학습이나 계획 알고리즘과 유사하게 장기적인 기대값을 계산한다. 두 채널은 신경조절 시스템을 매개로 상호 작용한다는 점이 핵심이다. 논문은 전전두피질, 변연계, 그리고 중뇌의 도파민성 경로가 각각 인지·감정 처리에 기여한다는 최신 신경생물학적 연구를 인용해, 이러한 구조적 연결을 소프트웨어 레이어로 구현한다.

Guided Propagation Networks는 그래프 기반의 신호 전파 메커니즘을 사용한다. 각 노드는 뇌 영역을, 엣지는 신경연결을 의미하며, 전파 강도는 가중치와 모듈레이션 파라미터에 의해 조절된다. 감정 채널에서 발생한 “cue”는 특정 노드의 활성화를 급격히 상승시켜, 인지 채널의 전파 경로를 사전 조정(pre‑guidance)한다. 이 과정은 ‘키‑채널(key‑channel)’이라 불리며, 제한된 감정 단서(예: 공포, 기대, 만족)만으로도 가능한 행동 시나리오의 결과를 빠르게 예측하도록 설계되었다.

시뮬레이션에서는 3가지 기본 감정(공포, 기쁨, 분노)과 2가지 인지 목표(보상 최대화, 위험 최소화)를 조합하였다. 결과는 감정 채널이 인지 채널의 탐색 공간을 효과적으로 축소시켜 학습 속도를 30 % 이상 향상시켰음을 보여준다. 그러나 감정 신호가 과도하게 강할 경우, ‘all‑out emotion’ 현상이 발생해 인지 채널이 감정에 압도당하고 비합리적 선택을 초래한다. 이는 감정‑인지 균형을 유지하기 위한 조절 메커니즘(예: 감정 억제 파라미터)의 필요성을 강조한다.

이 모델의 장점은 (1) 신경생물학적 근거를 바탕으로 한 구조적 타당성, (2) 감정과 인지의 비선형 상호 작용을 그래프 전파로 구현한 유연성, (3) 실시간 시뮬레이션을 통한 정책 개선 가능성이다. 반면, 현재 구현은 감정 단서를 정형화된 수치로만 표현하고, 감정의 다차원적 특성을 충분히 포착하지 못한다는 한계가 있다. 또한, 실제 인간 데이터와의 정량적 검증이 부족해 일반화 가능성을 평가하기 어렵다. 향후 연구에서는 감정의 연속적 스펙트럼 모델링, 뇌‑컴퓨터 인터페이스를 통한 실시간 피드백, 그리고 다중 에이전트 환경에서의 협동·경쟁 시나리오 적용을 제안한다.