뇌‑행동 시스템을 위한 열정보학 프레임워크

초록

**
본 논문은 복잡한 신경·행동 데이터를 미시상태 분포로부터 직접 엔트로피, 내부에너지, 온도, 헬름홀츠 자유에너지 등을 추정하는 열정보학(thermoinformational) 방법을 제시한다. 인간 모‑영아 EEG와 설치류 광유전 실험에 적용해 정보‑열이 전이·오류 시 증가하고, 올바른 선택은 저온·안정 상태와 연관됨을 보여준다. 데이터‑구동형 거시변수는 종·모달리티를 초월해 신경·심리 시스템을 물리적으로 해석할 수 있는 공통 언어를 제공한다.

**

상세 분석

**
이 연구는 ‘열정보학’이라는 새로운 정량적 프레임워크를 제안한다. 기존의 신경과학에서는 엔트로피·상호정보량 등을 개별적으로 사용했지만, 온도·내부에너지·자유에너지와 같은 전통적 열역학 변수들을 동시에 추정함으로써 시스템의 전이와 안정성을 통합적으로 설명한다. 미시상태는 다차원 벡터 Xₜ 로 정의하고, 전체 데이터 매트릭스를 A = X{t,n,i} 로 표현한다. 확률분포 p(E) 는 커널 밀도 추정(KDE) 등으로 연속화하고, 샤논 엔트로피 S = −∫p(E)ln p(E)dE 와 내부에너지 U = ∫|E|p(E)dE 를 직접 계산한다. 온도 T 는 고전 열역학 정의 1/T = ∂S/∂U 를 수치적 미분(밴드폭 λ 의 미세 변동)으로 구현한다. 이 과정은 온도가 ‘엔트로피 민감도’라는 해석을 유지하면서도 데이터에 내재된 비선형성을 반영한다. 구체적으로, λ를 1+Δλ 로 확대해 pₗₐ₊Δλ를 만든 뒤, S와 U의 변화를 통해 dS/dU를 추정하고, 그 역수로 T를 얻는다. 비슷한 방식으로 정용량 Cᵥ 와 헬름홀츠 자유에너지 F_H = U − TS 도 계산한다.

두 개의 실험적 적용은 프레임워크의 범용성을 입증한다. 첫 번째는 모‑영아 이중 EEG를 이용한 A‑not‑B 과제이다. 전이(‘A’→‘B’)와 오류 발생 시 정보‑열 ΔQ 가 급증하고, 온도 T 가 상승한다. 반면 올바른 선택 순간에는 온도가 낮고 F_H 가 최소화되는 ‘안정’ 상태가 관찰된다. 이는 기존의 ‘엔트로피 뇌’ 가설을 물리적 온도 개념으로 구체화한 것으로, 높은 엔트로피가 반드시 혼란이 아니라 높은 재구성 능력을 의미한다는 점을 강조한다.

두 번째는 설치류의 전전두피질을 광유전적으로 동기화한 실험이다. 서로 다른 광자극(예: 5 Hz vs 20 Hz) 하에서 온도·엔트로피·자유에너지의 궤적이 명확히 구분되며, 상태공간(S,U) 상에서 일관된 흐름을 만든다. 특히, 자극 전후의 전이 구간에서 ΔQ > 0인 ‘정보‑열 흐름’이 포착돼, 신경 회로가 외부 입력에 따라 어떻게 ‘냉각’ 혹은 ‘가열’되는지를 시각화한다.

이론적 측면에서 주목할 점은 자유에너지 원리(FEP)와의 차별성이다. FEP는 모델 기반 예측오차를 최소화하는 정보‑이론적 자유에너지에 초점을 맞추지만, 여기서는 물리적 헬름홀츠 자유에너지를 직접 측정한다. 따라서 시스템이 에너지를 방출하면서 엔트로피가 증가하거나 감소할 수 있음을 정량적으로 보여준다. 또한, 온도와 정용량을 도입함으로써 ‘상전이’와 ‘임계 현상’을 정량화할 수 있다—예를 들어, 온도가 급격히 상승하면 시스템이 고재구성(높은 엔트로피) 모드로 전이한다는 해석이 가능하다.

한계점으로는 KDE의 밴드폭 선택이 결과에 민감하다는 점, 비평형(steady‑state) 가정이 실제 뇌 데이터에 완전히 부합하지 않을 수 있다는 점, 그리고 미시상태 정의가 연구자에 따라 달라질 수 있다는 주관성이 있다. 또한, 온도와 정용량을 ‘물리적’이라 부르지만, 실제 열역학적 열과는 차원이 다르므로 해석에 주의가 필요하다. 그럼에도 불구하고, 복잡계 데이터를 물리적 언어로 변환하는 시도는 신경과학·심리학·사회과학을 연결하는 중요한 교량이 될 것이다.

**