혁신적인 스파이킹 신경망: 스키마 학습의 새로운 지평을 열다

중국 연구진이 개발한 HM-RSNN은 계층적 내재적 흥분성 조절을 통해 스키마 학습에서 뛰어난 성능을 보이며, 기존 RNN 기반 모델의 한계를 극복하고 생물학적 타당성을 높인 혁신적인 모델입니다.

뇌과학과 AI의 만남: 스키마 학습의 혁명

지식의 구조적 형태인 '스키마'는 전이 학습을 촉진하여 최근 뇌과학과 인공지능(AI) 분야에서 주목받고 있습니다. 하지만 기존의 신경망 기반 스키마 연구는 단일 행동 패러다임에 국한되고, 생물학적 타당성과 해석력이 부족한 순환 신경망(RNN)에 의존하는 한계를 가지고 있었습니다.

중국 연구진의 획기적인 연구

이러한 한계를 극복하고자, 중국 연구진(Yingchao Yu, Yaochu Jin, Yuchen Xiao, Yuping Yan)은 획기적인 연구를 통해 이러한 문제점들을 해결했습니다. 연구진은 먼저 일반화된 행동 패러다임 프레임워크를 구축하고 세 가지 새로운 인지 과제를 도입하여 스키마 학습에 대한 포괄적인 탐구를 지원했습니다. 이는 기존 연구의 한계를 뛰어넘는 중요한 발걸음입니다. 단순한 단일 과제가 아닌, 다양한 상황에 대한 스키마 학습 능력을 평가할 수 있는 기반을 마련한 것입니다.

계층적 내재적 흥분성 조절(HM)을 갖춘 스파이킹 신경망(HM-RSNN)

연구의 핵심은 바로 계층적 내재적 흥분성 조절(HM)을 갖춘 순환 스파이킹 신경망(HM-RSNN) 입니다. HM-RSNN은 상위 수준에서 작업별 요구에 맞는 흥분성 특성을 선택하고, 하위 수준에서 작업 내 문제에 맞게 이러한 특성을 미세 조정합니다. 이는 마치 뇌의 다양한 영역이 상호작용하며 학습하는 과정을 모방한 것과 같습니다. 이러한 계층적 구조는 다양한 과제에 대한 적응력을 향상시키는 데 중요한 역할을 합니다.

놀라운 성능과 생물학적 통찰

실험 결과, HM-RSNN은 모든 과제에서 기존 RSNN 기준 모델을 능가하고, 세 가지 새로운 인지 과제에서는 RNN보다도 우수한 성능을 보였습니다. 뿐만 아니라 HM-RSNN은 스키마 학습의 신경 역학에 대한 심층적인 통찰력을 제공합니다. 시각화 분석을 통해 내재적 흥분성의 진화 과정을 추적하고, 과제 간의 신경 조정 차이를 조사했습니다. 생물학적으로 영감을 받은 손상 연구는 스키마 내에서 내재적 흥분성의 과제별 분포를 밝혀냈습니다.

미래를 향한 발걸음

이 연구는 단순히 새로운 모델을 제시하는 것을 넘어, 스키마 학습에 대한 이해를 넓히고, 보다 생물학적으로 타당하고 해석 가능한 AI 모델 개발의 가능성을 열었습니다. HM-RSNN은 향후 인공지능의 발전에 중요한 기여를 할 것으로 기대됩니다. 특히, 전이 학습, 적응 학습 등 다양한 분야에서 HM-RSNN의 적용 가능성이 높게 평가됩니다.