LLM 상호작용의 신경 동기화

초록

본 논문은 다중 LLM이 사회적 대화를 할 때 내부 표현이 서로 예측 가능하도록 정렬되는 현상을 “신경 동기화”로 정의하고, 이를 정량화하는 SyncR² 지표를 제안한다. 실험을 통해 동기화가 실제 사회적 참여와 시간적 근접성에 의존하며, 모델 간 행동 성능과 강한 상관관계를 보임을 입증한다.

상세 분석

이 연구는 인간 뇌의 인터브레인 동기화(IBS) 개념을 차용해, 대화형 LLM 간의 내부 표현(히든 스테이트) 정렬을 측정한다는 점에서 혁신적이다. 기존의 LLM‑뇌 유사성 연구가 정적 입력에 대한 임베딩 유사도에 초점을 맞췄다면, 여기서는 다중 턴 대화 과정에서 시간적 흐름을 고려한 동적 정렬을 탐구한다. 핵심 방법론은 두 모델 A와 B의 각 레이어별 히든 벡터를 수집하고, ridge regression을 이용해 A의 레이어 l_A를 B의 레이어 l_B에 선형 변환한다. 변환의 설명력(R²)을 테스트 셋에서 평가하고, 각 l_A에 대해 가장 높은 R²를 선택해 0 이하는 0으로 클리핑한다. 이렇게 얻은 r* 값들을 레이어 수로 평균해 SyncR²(A→B)를 정의하고, 양방향 평균을 최종 동기화 점수로 산출한다.

실험 설계는 두 가지 통제군을 포함한다. 첫 번째는 한 모델이 수동적으로 대화를 읽기만 하는 경우로, 사회적 참여가 없을 때 동기화 점수가 급감함을 확인한다. 두 번째는 시간 지연(k ≥ 1)으로 목표 레이어를 미래 턴의 표현과 매칭해, 시간적 근접성이 없으면 동기화가 사라지는지를 검증한다. 두 통제 모두 SyncR²가 실제 상호작용에 의존한다는 가설을 강력히 뒷받침한다.

또한 21개의 모델 쌍(다양한 아키텍처와 규모)에서 동기화 점수와 사회적 과제(협상, 설득, 협동 등) 성능을 비교했으며, Pearson 상관계수가 0.68 이상으로 통계적으로 유의미함을 보고한다. 흥미롭게도, 모델의 크기·파라미터 수와는 무관하게 동기화 점수가 높은 쌍이 높은 사회적 성과를 보였으며, 이는 단순히 모델 능력보다 상호작용 과정에서 형성되는 내부 예측 메커니즘이 핵심임을 시사한다.

이 논문의 의의는 세 가지로 요약할 수 있다. 첫째, LLM 간 ‘신경 동기화’를 정량화하는 새로운 프레임워크를 제공함으로써, 사회적 AI 연구에 행동 수준을 넘어 표현 수준의 분석 도구를 도입했다. 둘째, 동기화가 사회적 참여와 시간적 정렬에 민감하다는 실증적 증거를 통해, LLM이 단순히 입력‑출력 매핑을 넘어 파트너 모델을 예측·조정하는 능력을 가짐을 보여준다. 셋째, 동기화 점수가 사회적 과제 성능과 강하게 연관됨을 밝혀, 향후 멀티‑LLM 시스템 설계 시 동기화 최적화를 목표로 하는 새로운 연구 방향을 제시한다.