신경형 셀룰러 오토마타와 생물학·AI 융합

초록

신경형 셀룰러 오토마타(NCA)는 인공신경망을 로컬 업데이트 규칙에 결합해, 생물학적 자기조직화 현상을 미분 가능하거나 진화 가능한 형태로 모델링한다. 분자·세포·조직·시스템 수준을 아우르는 다중 스케일 시뮬레이션이 가능하며, 패턴 재현, 교란 내성, 새로운 환경에 대한 일반화 능력을 보여준다. 최근 연구는 NCA를 로봇 형태 재생, ARC‑AGI‑1 같은 추론 과제, 그리고 확산 모델과 유사한 생성 AI에까지 확장하고 있다.

상세 요약

본 논문은 NCA를 기존 규칙 기반 셀룰러 오토마타와 인공신경망의 장점을 융합한 프레임워크로 정의한다. 핵심 아이디어는 각 셀(또는 에이전트)이 고정된 파라미터가 아니라 학습 가능한 신경망을 통해 주변 이웃 상태를 입력받아 새로운 상태를 출력하도록 설계하는 것이다. 이를 통해 미분 가능성(differentiability)을 확보해 역전파 기반 최적화가 가능해지며, 동시에 진화 알고리즘을 적용해 비미분 가능한 환경에서도 파라미터 탐색이 가능하도록 한다.

다중 스케일 관점에서, NCA는 미세 수준(예: 단백질 상호작용)부터 거시 수준(예: 조직 형태, 로봇 몸체)까지 동일한 로컬 규칙을 적용한다는 점에서 ‘멀티스케일 컴피턴시 아키텍처’를 제공한다. 논문은 특히 발달·재생·노화와 같은 생물학적 과정이 어떻게 NCA의 반복적 상태 정제(iterative state‑refinement) 메커니즘과 일치하는지를 상세히 논의한다. 예를 들어, 초기 배아 패턴이 로컬 신호와 피드백을 통해 점진적으로 성숙 조직으로 전이되는 과정을, NCA의 여러 타임스텝에 걸친 상태 업데이트와 유사하게 모델링한다.

실험 결과는 두 가지 축을 중심으로 평가된다. 첫째, 기존의 ‘target pattern synthesis’ 과제에서 NCA는 높은 정확도와 함께 훈련되지 않은 변형(예: 회전, 스케일, 잡음)에도 강인한 일반화 능력을 보였다. 둘째, 로봇 분야에서는 손상된 구조를 스스로 복구하거나, 환경 변화에 따라 형태를 재구성하는 데 성공했다. 특히 ARC‑AGI‑1 과제와 같은 추론 기반 벤치마크에서도 NCA가 비지도 학습 형태의 ‘연속적 사고’를 구현한다는 점이 주목된다.

또한, 논문은 NCA와 현대 확산 모델(denoising diffusion models) 사이의 유사성을 제시한다. 두 접근법 모두 ‘노이즈’를 점진적으로 제거하며 목표 분포에 수렴한다는 점에서 본질적인 연결 고리를 가진다. 다만 NCA는 완전 로컬 상호작용에 제한되므로, 계산 복잡도가 낮고 하드웨어 구현(예: FPGA, ASIC)에도 유리하다.

마지막으로, 저자는 NCA가 ‘집단 지능’과 ‘계층적 추론’의 새로운 패러다임을 제시한다며, 생물학적 자기조절 메커니즘을 인공 시스템에 직접 이식함으로써 중앙 집중식 제어 없이도 복잡한 목표 지향 행동을 구현할 수 있다고 주장한다. 이는 미래의 바이오‑인스파이어드 AI와 로보틱스 연구에 중요한 방향성을 제공한다.