신경역학을 위한 잠재 확률 미분방정식 프레임워크

초록

연속시간 확률 미분방정식(SDE)을 이용해 뇌의 잠재 상태를 모델링하고, 변분 추론으로 상태와 파라미터를 학습한다. 기존의 기계학습 블랙박스 모델과 비교해 해석 가능성, 불확실성 추정, 파라미터 효율성을 크게 향상시킨다.

상세 분석

본 논문은 신경과학 데이터에 적용 가능한 일반화된 잠재 SDE 프레임워크를 제시한다. 핵심 아이디어는 뇌 활동을 연속시간 확률 과정으로 가정하고, 그 과정의 drift µθ와 diffusion σθ를 미분 가능하게 설계한다는 점이다. 여기서 θ는 신경망 또는 물리‑수학적 모델(예: 결합 진동자)로부터 파라미터화될 수 있다. 관측값 Y(신경 신호)와 행동 B는 각각 λθ와 ρθ를 통해 잠재 상태 x와 연결되며, 포아송·가우시안 등 적절한 관측 모델을 사용한다.

변분 추론을 위해 저자는 “증강 SDE” ˜x를 도입한다. 증강 SDE는 drift νϕ(·)와 동일한 diffusion σθ를 갖고, 초기분포 Q0를 컨텍스트 c(관측·입력 인코더 ξϕ)로부터 학습한다. Girsanov 정리를 이용해 prior P와 posterior Q 사이의 경로‑KL을 닫힌 형태로 계산할 수 있게 하였으며, ELBO는 (1) 관측 로그우도, (2) 초기분포 KL, (3) 경로‑KL 세 항으로 구성된다. 이 구조는 연속시간 경로 전체에 대한 확률적 그래디언트를 제공하므로, SDE 솔버와 자동미분을 결합한 스케일러블 학습이 가능하다.

특히, drift µθ를 순수 신경망이 아닌 물리‑기반 결합 진동자 모델에 기반하고, 일부 파라미터만 신경망으로 보강하는 “하이브리드” 접근을 제안한다. 이렇게 하면 파라미터 수가 10배 이상 감소하면서도 복잡한 비선형·주기적 동역학을 충분히 포착한다. 실험에서는 세 종류의 데이터셋(생쥐 전두피질, 원숭이 운동 피질, 인간 fMRI)에서 기존 최첨단 블랙박스(LSTM, Neural ODE, GP‑LDS 등)와 동등하거나 더 나은 예측 정확도를 보였으며, 특히 process noise를 명시적으로 모델링한 것이 저노이즈·고노이즈 상황 모두에서 성능 향상에 크게 기여했다는 점을 강조한다.

또한, 학습된 drift와 diffusion 함수는 물리적 해석이 가능하도록 설계돼, 예를 들어 진동 주파수, 결합 강도, 안정점 위치 등을 직접 추출할 수 있다. 이는 가설 검증 및 새로운 신경 메커니즘 탐색에 유용한 “자연 언어”와 같은 역할을 한다. 불확실성 추정은 posterior Q를 통해 직접 제공되며, 실시간 BCI와 같은 온라인 응용에서도 샘플링 효율성을 유지한다.

전반적으로 이 논문은 과학적 기계학습(Scientific Machine Learning)과 신경역학을 연결하는 중요한 교량을 제시하며, SDE 기반 잠재 모델이 기존 ODE·GP 기반 방법보다 더 풍부한 확률적 표현력을 제공함을 실증한다.