새시각 진화의 폭발: 딥러닝 기반 전표현형 데이터가 밝힌 조류 형태 다양성

초록

본 연구는 10,000종 이상의 조류 이미지를 학습한 ResNet34 모델의 최종 fully‑connected 레이어 가중치를 형태표현으로 활용한다. 고차원 임베딩 공간이 종 간 형태 수렴을 반영하고, 형태 불균형(Disparity)과 종 다양성 사이의 강한 양의 상관관계를 확인한다. 조기 폭발(Early‑burst) 패턴은 K‑Pg 멸종 직후에 나타났으며, 모델은 텍스처 편향을 극복하고 전체 몸통 형태를 학습함으로써 CNN의 해석 가능성에 새로운 통찰을 제공한다.

상세 분석

이 논문은 전통적인 형태계량학이 갖는 주관적 편향을 극복하기 위해 대규모 이미지 데이터와 딥러닝을 결합한 혁신적 접근법을 제시한다. 먼저, DongNiao International Birds 10000(DIB‑10K) 데이터셋을 pHash 기반 중복 제거와 Faster‑R‑CNN 기반 비조류 이미지 필터링을 통해 정제하였다. 정제된 4.8백만 장의 이미지로 MetaFGNet‑LBird‑31 체크포인트를 초기 가중치로 사용해 ResNet34를 32 epoch 동안 fine‑tuning했으며, 최종 fc 레이어(512‑dimensional) 가중치를 각 종의 형태 특성 벡터로 추출하였다. 이 벡터는 80 % 분산을 설명하는 차원까지 차원 축소 후 코사인 유사도로 종 간 거리를 정의하고, 평균 연결법(average linkage)으로 계층적 군집을 수행해 Newick 형식으로 저장하였다.

군집 결과는 “taxonomic purity” 85 % 이상을 보이는 391개의 가족·94개의 목 수준 클러스터를 도출했으며, 474개의 가족·533개의 목 수준 이상치 종을 식별하였다. 이는 모델이 학습한 고차원 공간이 기존 분류 체계와 높은 일치성을 갖는다는 강력한 증거이다.

형태 불균형 분석에서는 각 종의 512‑dimensional 벡터를 구면 분산(spherical variance)으로 정의하였다. Spearman 상관분석 결과, 목 수준에서 ρ = 0.966(p = 1.45×10⁻²⁴), 가족 수준에서 ρ = 0.908(p = 3.56×10⁻⁸³)으로 종 다양성(종 수)과 형태 불균형 사이에 거의 완벽에 가까운 양의 상관관계를 발견했다. 모델 적합도 비교(AIC)에서는 “stretched exponential” 모델이 가장 낮은 AIC(목 = ‑251.33, 가족 = ‑1201.08)를 기록했으며, Hill 방정식과 로그‑유리함수 모델과 차이가 미미했다. 이는 형태 불균형이 종 다양성에 비선형적으로 의존한다는 점을 시사한다.

시간적 불균형(DTT) 분석에서는 마지막 fc 레이어의 L2 정규화된 벡터가 단위 구면 위에서 브라운 운동을 수행한다는 가정을 두고, 구면 조상 상태 복원(Spherical Ancestral State Reconstruction) 알고리즘을 구현하였다. 실제 데이터와 100번의 무작위 브라운 운동 시뮬레이션을 비교한 결과, K‑Pg 멸종 직후(약 66 Mya) 급격한 형태 불균형 증가가 관측되었으며, 이는 “early‑burst” 진화 모델과 일치한다.

시각적 해석 측면에서는 Grad‑CAM을 이용해 모델이 배경이 아닌 새 자체에 집중함을 확인했고, 텍스처와 형태를 동시에 변형하는 적대적 예시(adversarial examples)를 통해 모델이 텍스처 편향을 넘어 전체 몸통 형태(holistic shape)를 학습함을 입증하였다. 이는 기존 CNN이 로컬 텍스처에 의존한다는 주장에 반하는 중요한 증거이다.

전반적으로 이 연구는 (1) 대규모 이미지 기반 딥러닝이 고차원 형태표현을 자동으로 추출할 수 있음을, (2) 이러한 표현이 기존 분류 체계와 높은 일치성을 보이며, (3) 형태 불균형이 종 다양성에 의해 주도되고 K‑Pg 이후 급격히 확대됐음을, (4) CNN 해석 가능성에 새로운 통찰을 제공한다는 네 가지 주요 통찰을 제공한다.