신경역학으로 연결분포 추정하기 흐름 기반 저차원 RNN 접근

초록

본 논문은 저차원 저계수(lr) 순환신경망(RNN)의 연결 가중치를 하나의 행렬이 아니라 확률분포로 추정한다. 최대 엔트로피 원칙과 연속 정규화 흐름(CNF)을 결합한 ‘Connector’ 프레임워크를 제안해, 관측된 신경활동과 일치하는 모든 가능한 연결 구조를 포괄적으로 학습한다. 합성 데이터와 쥐 전두피질 기록을 통해 다중안정점, 제한주기, 링 어트랙터 등 다양한 동적 패턴을 재현하면서, 실제 신경계에서 흔히 보이는 무거운 꼬리(weight‑tail) 분포까지 복원한다.

상세 분석

본 연구는 저차원 저계수 순환신경망(lrRNN)의 연결 행렬 J를 M·Nᵀ/K 형태로 분해하고, 각 행(row)이 독립적으로 동일한 확률분포 p(m,n,b,d)에서 샘플링된다고 가정한다. K→∞ 한계에서 평균장(mean‑field) 동역학은 p에 대한 기대값 E