뇌 영감 학습 알고리즘의 새로운 시대

MRC 뇌 네트워크 역학 연구소와 옥스퍼드 대학교 컴퓨터 과학과의 연구원들은 인간 뇌가 학습 중 뉴런 간 연결을 적응하고 조정하는 방식을 밝히는 획기적인 원리를 공개했습니다. 

이 발견은 뇌 네트워크 내 학습에 대한 이해를 높일 뿐만 아니라, 인공지능(AI)에서 더 빠르고 견고한 학습 알고리즘 개발을 영감할 잠재력을 가지고 있습니다.

뇌 학습 원리: 전망적 구성

학습의 본질은 정보 처리 파이프라인에서 출력 오류의 원인이 되는 구성 요소를 식별하는 데 있습니다. AI에서는 역전파를 통해 모델의 매개변수를 조정하여 출력 오류를 최소화합니다.

인간 뇌가 유사한 학습 원리를 사용한다고 널리 믿어졌습니다. 그러나 생물학적 뇌는 현재 기계 학습 시스템보다 여러 측면에서 더 우수합니다.

예를 들어, 인간은 정보를 한 번만 접해도 새로운 정보를 학습할 수 있는 반면, 인공 시스템은 종종 동일한 데이터를 수백 번 반복해야 합니다. 또한, 인간은 기존 정보를 유지하면서 새로운 지식을 습득할 수 있는 반면, 인공 신경망에 새로운 데이터를 도입하면 기존 지식에 간섭하여 저하시킬 수 있습니다.

이러한 관찰은 연구원들로 하여금 뇌의 학습 과정을 지배하는 근본 원리를 찾기 위해 노력하게 했습니다. 그들은 신경 행동과 시냅스 연결의 변화를 설명하는 기존 수학적 방정식 세트를 검토하고 철저한 분석과 시뮬레이션을 수행했습니다. 그들이 발견한 것은 기존의 통념에 도전했습니다.

인공 신경망에서 외부 알고리즘은 시냅스 연결을 수정하여 오류를 최소화하려고 시도하지만, 연구원들은 인간 뇌가 시냅스 연결을 조정하기 전에 뉴런의 활동을 최적의 균형 잡힌 구성으로 먼저 안정화한다고 제안합니다. 

이 독특한 접근 방식인 '전망적 구성'은 인간 학습의 효율적인 특징으로 간주되며, 간섭을 줄이고 기존 지식을 보존하여 학습 과정을 가속화합니다.

시뮬레이션 및 검증

연구원들은 컴퓨터 시뮬레이션을 통해 자신의 발견을 뒷받침했으며, 전망적 구성을 사용하는 모델이 자연 환경에서 동물과 인간이 일반적으로 마주치는 작업에서 인공 신경망보다 더 우수한 성능을 보였음을 보여주었습니다.

이 개념을 설명하기 위해 연구원들은 연어가 연어를 낚는 곰의 예를 사용했습니다. 인공 신경망에서 곰이 강 소리를 듣는 능력을 잃으면(손상된 귀로 인해), 연어 냄새를 맡는 능력도 잃게 되어 강에 연어가 없다는 잘못된 결론에 도달할 것입니다. 

그러나 동물 뇌에서는 소리의 부재가 연어 냄새가 여전히 존재한다는 지식에 간섭하지 않아 곰이 성공적으로 탐구를 계속할 수 있습니다.

격차 메우기

MRC 뇌 네트워크 역학 연구소와 옥스퍼드 대학교 뉴필드 임상 신경과학과의 수석 연구원인 Rafal Bogacz 교수는 추상적 모델과 뇌 해부학에 대한 이해 사이의 격차를 해소할 필요성을 강조했습니다. 향후 연구는 전망적 구성의 알고리즘이 해부학적으로 식별된 피질 네트워크에서 어떻게 구현되는지를 밝히는 것을 목표로 합니다.

이 연구의 제1저자인 Yuhang Song 박사는 기존 컴퓨터에서 전망적 구성을 구현하는 어려움, 즉 컴퓨터 시스템과 생물학적 뇌 사이의 근본적인 차이점을 강조했습니다. 그는 전망적 구성의 빠르고 에너지 효율적인 구현이 가능한 새로운 컴퓨터나 전용 뇌 영감 하드웨어 개발을 촉구했습니다.