신경 기초 모델의 신경성은 얼마나 실제 뇌와 닮았는가

초록

본 논문은 최신 신경 활동 기반 모델(FNN)을 생리학자의 시각으로 분석한다. 인코딩·디코딩 매니폴드와 시간 궤적을 구축해 각 모듈(인코더, 순환, 리드아웃)의 표현 구조를 비교한다. 순환 모듈이 시간 패턴을 효과적으로 구분하며, 리드아웃은 다수의 특수화된 피처맵을 사용해 높은 정확도를 달성하지만 생물학적 메커니즘과는 차이가 있다. 저자는 초기 인코더에 순환을 도입하고 리드아웃을 제약하는 설계 변경을 제안한다.

상세 분석

이 연구는 신경 활동을 직접 예측하도록 훈련된 대규모 기반 모델(FNN)을 ‘신경학적 검증 도구’로 전환한다는 점에서 혁신적이다. 저자는 세 가지 핵심 분석 프레임워크를 도입한다. 첫째, 디코딩 매니폴드는 각 자극 시도(trial)를 신경 활동 공간에 임베딩하고 PCA로 차원 축소해 자극 간 군집성을 평가한다. 둘째, 인코딩 매니폴드는 개별 인공 뉴런을 자극‑반응 좌표계에 매핑해 텐서 팩터화를 통해 군집 구조를 시각화한다. 셋째, 시간 궤적(PSTH 및 스트림라인)은 자극 전개에 따른 신경 상태의 동적 변화를 포착한다.

분석 결과, 초기 인코더 레이어(L1)는 디코딩 매니폴드에서 자극 구분이 거의 이루어지지 않아, 입력 영상의 기본 특성을 충분히 추출하지 못함을 보여준다. 이는 전통적인 망막 모델과 대비해 ‘전처리 단계’가 과도하게 추상화된 결과로 해석된다. 반면, 중간 순환 모듈은 디코딩 매니폴드에서 가장 뚜렷한 클러스터를 형성하고, 클래스별 정확도(Acc)가 최고 수준에 도달한다. 이는 순환 연결이 시간적 상관성을 강화해 서로 다른 움직임 패턴을 ‘밀어내는’ 역할을 함을 시사한다. 저자는 이를 정량화하기 위해 ‘튜불러티(tubularity)’ 지표를 도입했으며, 이 지표가 순환 단계에서 급격히 상승함을 보고한다.

리드아웃 단계는 인코딩 매니폴드에서 매우 조밀한 클러스터를 형성하지만, 각 뉴런이 특정 피처맵에 강하게 종속되는 구조적 특징을 보인다. 이는 높은 예측 정확도(Acc≈0.77~0.89)를 제공하지만, 생물학적 시냅스 가중치의 분산과는 거리가 있다. 특히, 리드아웃 이후 출력 레이어는 연속적인 토폴로지를 회복하지만, 개별 뉴런의 PSTH 형태는 실제 시각 피질과 일치하지 않는다.

종합하면, FNN은 시각 입력 → 초기 피처 추출 → 시간적 통합 → 고차원 읽기라는 흐름을 따르지만, 초기 피처 추출 단계가 생물학적 망막과 차별화되고, 리드아웃 단계가 과도하게 특화된 점에서 뇌와의 불일치가 드러난다. 저자는 이러한 격차를 해소하기 위해 (1) 인코더 초기 단계에 순환 연결을 삽입해 시간 정보를 조기에 통합하고, (2) 리드아웃의 가중치를 정규화하거나 제한해 보다 분산된 피처 사용을 유도할 것을 제안한다. 이러한 설계 변경은 모델의 ‘신경성’을 향상시켜, 뇌 과학 연구에 보다 신뢰할 수 있는 디지털 트윈을 제공할 가능성을 열어준다.