뇌에서 영감을 받은 학습 알고리즘의 새로운 시대가 열렸습니다

MRC 뇌 네트워크 역학 연구소와 옥스퍼드 대학교 컴퓨터 과학과의 연구진이 인간의 뇌가 학습 과정에서 뉴런 간의 연결을 어떻게 적응시키고 조정하는지에 대한 획기적인 원리를 밝혀냈습니다. 

이번 발견은 뇌 네트워크 내 학습에 대한 이해를 높일 뿐만 아니라 인공지능(AI) 분야에서 더욱 빠르고 강력한 학습 알고리즘 개발에 영감을 줄 잠재력을 지니고 있습니다.

두뇌 학습 원리: 미래 지향적 구성

학습의 핵심은 정보 처리 파이프라인에서 출력 오류를 유발하는 구성 요소를dent하는 데 있습니다. 인공지능에서는 역전파를 통해 이를 달성하는데, 이 과정에서 모델의 매개변수를 조정하여 출력 오류를 최소화합니다.

인간의 뇌도 비슷한 학습 원리를 사용한다고 널리 알려져 왔습니다. 그러나 생물학적 뇌는 여러 측면에서 현재의 기계 학습 시스템보다 뛰어난 성능을 보입니다.

예를 들어, 인간은 새로운 정보를 단 한 번 접하는 것만으로도 학습할 수 있는 반면, 인공 시스템은 동일한 데이터를 수백 번 반복해서 학습해야만 이해할 수 있는 경우가 많습니다. 더욱이, 인간은 기존 정보를 유지하면서 새로운 지식을 습득할 수 있는 반면, 인공 신경망에 새로운 데이터를 입력하면 기존 지식에 간섭을 일으키거나 기존 지식을 저하시킬 수 있습니다.

이러한 관찰을 통해 연구자들은 뇌의 학습 과정을 지배하는 근본 원리를 찾고자 했습니다. 그들은 신경 세포의 행동과 시냅스 연결의 변화를 설명하는 기존의matic방정식들을 조사하고 철저한 분석과 시뮬레이션을 수행했습니다. 그들이 발견한 것은 기존의 통념에 도전하는 것이었습니다.

인공 신경망에서 외부 알고리즘은 오류를 최소화하기 위해 시냅스 연결을 수정하는 것을 목표로 하지만, 연구진은 인간의 뇌는 시냅스 연결을 조정하기 전에 먼저 뉴런 활동을 최적의 균형 상태로 안정시킨다고 주장합니다. 

이러한 독특한 접근 방식은 "미래지향적 구성"이라고 불리며, 인간 학습의 효율적인 특징으로 여겨집니다. 이는 간섭을 줄이고 기존 지식을 보존함으로써 학습 과정을 가속화합니다.

시뮬레이션 및 검증

연구진은 컴퓨터 시뮬레이션을 통해 자신들의 연구 결과를 뒷받침했으며, 예측적 구성을 사용하는 모델이 자연 환경에서 동물과 인간이 흔히 접하는 작업에서 인공 신경망보다 우수한 성능을 보였다는 것을 입증했습니다.

연구진은 이 개념을 설명하기 위해 연어를 낚는 곰의 예를 사용했습니다. 인공 신경망에서 곰이 (귀 손상으로 인해) 강 소리를 듣는 능력을 잃으면 연어 냄새를 맡는 능력도 잃게 되어 강에 연어가 없다는 잘못된 결론을 내리게 됩니다. 

하지만 동물의 뇌에서는 소리가 없더라도 연어 냄새가 여전히 남아 있다는 것을 인지하는 데에는 아무런 지장이 없으므로 곰은 성공적으로 연어를 찾아 나설 수 있습니다.

격차 해소

MRC 뇌 네트워크 역학 연구소 및 옥스퍼드 너필드 임상 신경과학부의 라팔 보가츠 교수는trac인 모델과 뇌 해부학에 대한 이해 사이의 간극을 메울 필요성을 강조했습니다. 향후 연구는 해부학적dent된 대뇌 피질 네트워크에서 예측적 구성 알고리즘이 어떻게 구현되는지 밝히는 것을 목표로 합니다.

이번 연구의 제1저자인 송유항 박사는 컴퓨터 시스템과 생물학적 뇌 사이의 근본적인 차이 때문에 기존 컴퓨터에 예측적 구성을 구현하는 데 어려움이 있다고 강조했습니다. 그는 예측적 구성을 빠르고 에너지 효율적으로 구현할 수 있는 새로운 컴퓨터 또는 뇌에서 영감을 받은 전용 하드웨어 개발을 촉구했습니다.