Pavlov 학습 모델 시뮬레이터 PALMS

초록

PALMS는 파블로프식 조건형성 실험을 파이썬 기반으로 시뮬레이션하는 오픈소스 툴이다. Rescorla‑Wagner 모델 외에 Pearce‑Kaye‑Hall, Mackintosh Extended, Le Pelley Hybrid, 그리고 Mackintosh·Hall 통합 학습률을 적용한 새로운 MLAB 모델을 포함한다. GUI를 통해 알파벳 형식의 실험 설계를 입력하고, 수백 개의 자극과 구성적(cue) 복합을 동시에 처리하며, 결과를 즉시 시각화·내보낼 수 있다.

상세 분석

PALMS는 파블로프식 연합학습 이론의 핵심 모델들을 하나의 통합 환경에 구현함으로써, 모델 간 예측 차이를 직접 비교할 수 있는 실용적 플랫폼을 제공한다. 기본 Rescorla‑Wagner(RW) 모델은 전통적인 전역 오류 교정 메커니즘을 유지하면서, 자극별 α와 US‑특이적 β를 파라미터화해 실험적 변형(예: 상대 타당성)까지 다룰 수 있게 설계되었다. 주목받는 두 가지 주의(attention) 모델인 Pearce‑Kaye‑Hall(PKH)과 Mackintosh Extended(ME)는 각각 ‘예측 오류에 비례하는 주의’와 ‘예측 성공에 비례하는 주의’를 가정한다. PALMS는 PKH에서 주의 α를 γ·|λ‑V|+(1‑γ)·α 형태로 업데이트하고, ME에서는 θ_E·α·|λ‑V|와 θ_I·α·|λ‑V|를 통해 흥분·억제 학습에 대한 주의 변화를 구분한다.

특히 저자들은 두 모델의 상반된 예측을 하나의 통합 학습률 α_U로 결합한 MLAB 모델을 제안한다. 이 모델은 α_U를 PKH식과 ME식의 가중합으로 정의하고, 학습률이 상황에 따라 동적으로 전환되도록 함으로써, 기존 모델이 각각 성공적으로 설명하지 못한 현상(예: 전이 학습에서의 급격한 학습 속도 변화)을 재현한다. 이러한 통합 접근은 이론적 통합 가능성을 실험적으로 검증할 수 있는 중요한 도구가 된다.

시스템 구현 측면에서 PALMS는 순수 파이썬(Python 3.x)과 PyQt 기반 GUI를 사용해 플랫폼 독립성을 확보했으며, 알파벳 문자열(예: “A+B‑C”) 형태의 실험 설계를 파싱해 자동으로 자극·복합·구성적(cue) 구조를 생성한다. 수백 개의 자극을 동시에 처리할 수 있는 메모리·연산 최적화가 적용돼, 대규모 실험 디자인(예: 다중 카테고리 학습)에서도 실시간 그래프와 표를 제공한다. 결과 데이터는 CSV 혹은 엑셀 형식으로 내보낼 수 있어, 통계 분석 파이프라인과의 연계가 용이하다.

기존 R‑패키지 기반 시뮬레이터와 달리 PALMS는 모델별 파라미터를 자극 단위로 개별 지정할 수 있어, 실험적 변형(예: 자극 강도 차이, US‑불변성)도 손쉽게 구현한다. 또한 구성적(cue)와 구성적‑복합(cue‑compound) 계산을 모든 모델에 일관되게 적용함으로써, 전통적인 ‘단일 자극’ 가정에 머물지 않는 복합 학습 현상을 탐구할 수 있다.

한계점으로는 현재 실시간 시뮬레이션이 CPU 기반이므로, 매우 큰 네트워크(수천 개 자극·복합)에서는 실행 시간이 늘어날 수 있다. 또한 모델 구현이 고정된 다섯 가지에 한정돼 있어, 사용자가 새로운 학습 규칙을 추가하려면 파이썬 코드 수정이 필요하다. 향후 플러그인 구조 도입과 GPU 가속 옵션이 추가된다면, 확장성과 성능이 크게 향상될 것으로 기대된다.

전반적으로 PALMS는 파블로프식 학습 모델의 이론 검증, 교육용 시각화, 그리고 새로운 모델 개발을 위한 실험적 기반을 제공하는 중요한 오픈소스 자산이다.