연결체학 기반 생물 영감 신경망 BioNIC: 이미지 감정 분류의 새로운 접근

초록

**
BioNIC은 마우스 시각 피질의 실제 연결 정보를 마스크 형태로 적용한 피드포워드 네트워크이다. 두 개의 컨볼루션 층과 생물학적 층(층 A‑D)을 결합하고, 계층적 주의 메커니즘·그레이드 억제·시냅스 잡음을 도입해 FER‑2013 감정 인식에서 59.77 ± 0.27 % 정확도를 달성하였다.

**

상세 분석

**
본 논문은 최신 MICrONS 연결체 데이터베이스에서 추출한 1 mm³ 규모의 마우스 V1 피질 컬럼을 구조적 제약으로 삼아 인공 신경망을 설계했다는 점에서 의미가 크다. 구체적으로, 각 신경세포를 흥분성·억제성으로 구분하고, 층별(4 → 2/3 → 5/6) 뉴런 수를 그대로 네트워크의 뉴런 수에 매핑했다. 이렇게 정의된 ‘생물학적 층’ 사이의 연결은 실제 시냅스 카운트 행렬(count_adjacency)과 시냅스 크기 행렬(synapse_size_adjacency)으로부터 만든 마스크(Mk)로 가중치 행렬에 element‑wise 곱을 수행함으로써, 데이터‑드리븐 학습이면서도 생물학적 연결 토폴로지를 보존한다.

또한, 억제성 뉴런의 영향을 ‘그레이드 억제’ 형태로 구현하였다. 각 뉴런에 대한 억제 입력 수(Ik)를 정규화하고, 학습 가능한 스케일링 파라미터 α와 작은 ε를 이용해 스케일 팩터 s(k)=1−α·Ik/ max(Ik)+ε를 계산, 최종 활성화 전에 곱해 줌으로써 실제 뇌에서 관찰되는 억제‑흥분 균형을 모방한다. 이는 과도한 활성화를 방지하고 일반화 능력을 향상시키는 역할을 한다.

학습 측면에서는 전통적인 교차 엔트로피 손실과 Adam 옵티마이저를 사용했으며, 데이터 증강(랜덤 크롭, 회전, 플립, 밝기·대비 조정)과 레이어 정규화, 시냅스 잡음(가우시안 노이즈) 등을 추가해 생물학적 변동성을 반영했다. 컨볼루션 전단계에 ‘측면 억제(Lateral Inhibition)’ 레이어를 삽입해 시각 초기 처리(망막·LGN)의 로컬 억제 메커니즘을 재현했으며, 이후 CBAM‑스타일의 채널·공간 주의 모듈을 적용해 중요한 특징과 위치를 강조한다.

실험 결과, BioNIC은 FER‑2013 테스트에서 59.77 % 정확도를 기록했으며, 이는 동일 조건의 일반 CNN(≈60 %)과 통계적으로 동등한 수준이다. Ablation 연구에서는 (1) 마스크 없이 전통적인 완전 연결, (2) 억제 스케일링 제거, (3) 주의 메커니즘 제외, (4) 시냅스 잡음 제거 각각이 정확도를 1‑3 % 포인트씩 감소시키는 것을 확인했다. 이는 제시된 생물학적 요소들이 개별적으로도 성능에 기여함을 시사한다.

한계점으로는 단일 컬럼(≈1 mm³)만을 사용했기 때문에 전체 시각 피질 혹은 상위 영역(예: 인슐라·편도체)의 장기적 통합 효과를 반영하지 못한다는 점이다. 또한, Hebbian 플라스틱티를 구현했다고 주장하지만 실제 학습 단계에서는 여전히 Adam 기반의 역전파가 사용돼, 완전한 생물학적 학습 메커니즘이라 보기엔 부족하다. 향후 연구에서는 다중 컬럼·다중 영역 연결을 확장하고, 진정한 로컬 Hebbian 업데이트와 메타플라스틱스 규칙을 도입함으로써 더 높은 생물학적 타당성과 성능 향상을 기대할 수 있다.

**