뇌는 불확실성을 어떻게 이해할까요? 생성형 AI가 밝히는 고차원 신경 표상의 비밀

Hojjat Azimi Asrari와 Megan A. K. Peters의 연구는 강화학습 기반 생성형 AI를 이용하여 인간 뇌의 불확실성 분포 표현을 탐구하는 혁신적인 방법을 제시합니다. 기존의 역전파 방식과 비교하여 강화학습 기반 모델의 우수한 설명력을 확인하였으며, 뇌과학 연구에 새로운 가능성을 열었습니다.

인간의 뇌는 복잡하고 미묘한 정보 처리 시스템입니다. 특히, 불확실한 상황에서 어떻게 학습하고 적응하는지는 오랫동안 풀리지 않은 수수께끼였습니다. 최근, Hojjat Azimi Asrari와 Megan A. K. Peters는 흥미로운 연구를 통해 이 수수께끼에 한 걸음 더 다가갔습니다. 그들의 논문, "생성형 인공지능을 이용한 고차원 신경 표상 규명"에서는 강화학습(Reinforcement Learning) 기반 생성형 인공지능(Generative AI) 을 이용하여 인간 뇌의 불확실성 분포 표현을 탐구하는 새로운 방법을 제시합니다.

1차 표상 vs 고차 표상: 불확실성의 비밀

일반적으로 뇌의 정보처리는 외부 세계에 대한 정보를 직접 반영하는 '1차 표상(FOR)'으로 이해됩니다. 하지만, Azimi Asrari와 Peters는 여기서 한 발 더 나아가 '고차 표상(HOR)'에 주목합니다. HOR은 1차 표상 자체에 대한 정보, 즉 1차 표상의 내용, 안정성, 불확실성 등을 담고 있는 표상입니다. 특히, 불확실성에 대한 고차 표상은 학습과 적응에 중요한 역할을 합니다. 환경의 피드백에 따라 학습 속도와 내부 모델 업데이트를 조절하는 데 필수적이죠.

하지만 불확실성에 대한 고차 표상은 1차 표상의 특징을 단순히 반영하는 것이 아닙니다. 손실, 편향, 왜곡이 있을 수 있으며, 관찰자가 경험할 가능성이 있는 불확실성 분포에 대한 추정치도 포함합니다. 지금까지는 '순간적'으로 추정된 불확실성에 대한 신경 표상 연구가 주로 이루어졌지만, 뇌가 기대되는 불확실성의 분포를 어떻게 표현하는지는 거의 알려지지 않았습니다.

생성형 AI: 불확실성 분포의 비밀을 풀다

연구진은 이 문제를 해결하기 위해 강화학습 기반 생성형 AI라는 새로운 접근 방식을 제시했습니다. 기존의 기능적 자기공명영상(fMRI) 데이터를 활용하여, 인간이 뇌 상태의 '잡음 제거'를 통해 목표 신경 패턴을 달성하는 과정을 모방하는 잡음 제거 확산 생성 AI 모델을 개발했습니다. 강화학습 알고리즘을 통해 인간이 잡음 분포를 학습하는 방식과 유사하게 모델을 학습시켰습니다.

강화학습 vs 역전파: 놀라운 차이

연구 결과, 강화학습 기반 모델과 기존의 역전파 방식으로 학습된 모델 간에 잡음 분포 표상에 차이가 있음을 발견했습니다. 특히, 강화학습 기반 모델은 인간 행동에 대한 설명력이 훨씬 높았습니다. 이는 생성형 AI를 이용하여 인간 뇌의 고차원 불확실성 분포 표상을 탐구하는 새로운 가능성을 제시합니다.

결론적으로, 이 연구는 뇌가 불확실성을 처리하는 복잡한 메커니즘을 이해하는 데 중요한 전기를 마련했습니다. 강화학습 기반 생성형 AI의 활용은 뇌과학 연구에 새로운 지평을 열어줄 것으로 기대됩니다. 앞으로 이러한 연구가 더욱 발전하여 인간 지능의 신비를 밝히는 데 기여할 것입니다. 🎉