적응형 피츠휴 나구도 네트워크의 전이와 헤브‑오자 결합 규칙

초록

본 연구는 피츠휴‑나구도(FHN) 진동자들로 구성된 원형 네트워크에 Hebb‑Oja 적응 결합 규칙을 적용하여, 결합 가중치가 느리게 진화할 때 파동, 동기화, 키메라 등 다양한 집단 동역학이 순차적으로 나타나는 과정을 수치적으로 조사한다. Oja 파라미터와 적응 시간 상수에 따른 평균 결합 강도의 역전력 법칙과 급격한 전이 현상도 보고한다.

상세 분석

본 논문은 먼저 기존의 정적 네트워크 연구와 달리, 결합 가중치가 시간에 따라 변하는 적응형 네트워크 모델을 도입한다. 피츠휴‑나구도(FHN) 진동자는 두 변수 u(막전위)와 v(회복전위)로 기술되며, 각 진동자는 반경 R 만큼의 이웃과 비대칭 결합을 갖는다. 결합 가중치 σ_jk(t) 는 Hebb 학습 항 u_j u_k와 Oja가 도입한 ‘망각’ 항 -α u_j² σ_jk로 구성된 미분 방정식(1c)으로 진화한다. 여기서 τ_σ 는 가중치 변화 속도를 제어하는 시간 상수이며, α 는 Oja 파라미터로 학습 성장과 소멸을 균형시킨다.

수치 실험에서는 τ_σ 가 노드의 내재 시간 스케일(ε, γ)보다 크게 설정될 때, 즉 결합 가중치가 느리게 변할 때 네트워크가 여러 중간 동기화 상태를 거쳐 최종 안정 상태에 도달한다는 점을 강조한다. 구체적으로, 초기에는 무작위 가중치 분포에서 시작해, 평균 결합 강도 σ_eff 가 점진적으로 증가하면서 파동 전파(traveling wave), 완전 동기화, 그리고 다중 키메라(chimera) 패턴이 순차적으로 나타난다. 각 전이는 z(t) (Kuramoto 순서 매개변수)와 D_σ(t) (결합 강도의 공간 분산)에서 급격한 변화를 보이며, 이는 시공간 플롯에서도 뚜렷하게 확인된다.

또한, Oja 파라미터 α 에 대한 정밀 스캔 결과, 평균 결합 강도 ⟨σ_eff⟩ 이 α 의 역전력 법칙 ⟨σ_eff⟩ ∝ α^(-β) (β≈1)으로 수렴함을 발견한다. 이는 Oja의 ‘망각’ 항이 학습 성장에 대한 억제 효과를 정량적으로 제한한다는 기존 이론과 일치한다. 흥미롭게도, τ_σ 가 임계값을 넘어 빠른 적응 영역으로 이동하면 ⟨σ_eff⟩ 과 z 이 거의 즉시 수렴해 중간 전이가 사라지는 현상이 관찰된다. 이는 ‘빠른 적응’이 네트워크를 급격히 고정점으로 끌어당겨, 동적 전이를 억제한다는 중요한 메커니즘을 시사한다.

결과적으로, 본 연구는 (1) Hebb‑Oja 적응 규칙이 FHN 네트워크에서 복합적인 동기화 전이를 유도한다, (2) 적응 시간 상수와 Oja 파라미터가 전이의 존재와 특성을 결정한다, (3) 평균 결합 강도의 역전력 스케일링이 존재한다는 세 가지 핵심 인사이트를 제공한다. 이러한 발견은 뇌의 시냅스 가소성, 인공 신경망의 동적 학습, 그리고 복잡계 이론 전반에 걸쳐 적용 가능성이 크다.