인공 신경망은 일반적으로 엔지니어에 의해 형성됩니다. 디자이너는 네트워크가 데이터와 피드백을 통해 학습함에 따라 연결 강도가 어떻게 변하는지 결정합니다. MIT의 새로운 연구에서는 이러한 디자이너 중심 접근 방식이 아무리 강력하더라도 뇌가 실제로 어떻게 학습하는지에 대해 거의 알려주지 않을 수 있으며 네트워크가 스스로 구성되는 대안을 보여줄 수 있다고 주장합니다.

MIT 산하 McGovern 뇌 연구 연구소와 K. Lisa Yang ICoN(Integrative Computational Neuroscience) 센터의 과학자들은 Proceedings of the National Academy of Sciences(PNAS)에 10월 9일 발표된 논문에서 인공 신경 네트워크가 자체 학습 기계를 구축할 수 있음을 보여주었습니다. 무작위 연결에서 시작하여 연결이 언제 어떻게 변경되어야 하는지에 대한 간단한 로컬 규칙만 따르면 네트워크는 효과적인 정보 처리 시스템으로 재편되었습니다. 이 이야기에 대한 자세한 내용은 인공지능 뉴스를 참조하세요.

생물학적 타당성이 중요한 이유

"현재 AI 기술은 매우 잘 작동하지만 뇌에서 사용되는 학습 알고리즘을 반드시 사용하지는 않습니다."라고 MIT 교수 Tomaso Poggio 및 Mark Harnett 연구실의 K. Lisa Yang ICoN 센터 박사후 연구원이자 MIT 연구 과학자 Liu Ziyin 및 대학원생 Yulu Gan과 함께 논문의 공동 제1저자인 Qianli Liao가 말했습니다.

AI 모델을 뇌의 창으로 사용하려는 신경과학자들에게는 이러한 구별이 중요합니다. 현대 기계 학습은 대부분의 신경과학자들이 생물학적 신경 회로에 존재할 가능성이 없다고 생각하는 알고리즘인 역전파에 의존합니다. "뇌에는 외부 디자이너나 건축가가 없습니다"라고 Liao는 말했습니다. "뇌는 스스로 조직해야 합니다. 그리고 우리는 얼마나 간단한 규칙이 뇌를 조직하게 만드는지 알아야 합니다."

팀의 핵심 주장은 두뇌 모델로서 네트워크의 가치는 연결뿐만 아니라 이러한 연결을 조정하는 기계 자체를 구성할 수 있는 정도에 따라 판단되어야 한다는 것입니다.

자기 조직화 네트워크의 작동 방식

연구자들은 무작위로 상호 연결된 뉴런과 유사한 단위의 여러 층으로 구조가 시작되는 네트워크를 구축했습니다. 각 레이어 내의 모든 유닛은 연결 조정 방법에 대한 동일한 간단한 규칙에 따라 관리됩니다. Liao는 "그들은 그 규칙을 사용하여 서로 상호 작용하고 어떤 유형의 행동을 개발합니다"라고 설명했습니다.

이 규칙은 신경과학자들이 학습 중에 뇌 회로를 재구성한다고 믿는 종류입니다. 여기에는 "함께 발사되는 뉴런이 함께 연결된다"는 고전적인 원리가 포함됩니다. 이는 동시 활성화가 두 뉴런 사이의 연결을 강화한다는 의미입니다.

네트워크가 학습함에 따라 이러한 간단한 규칙에 따라 자체 조립 모티프가 나타나고 기능 회로의 구성 요소 역할을 했습니다. 이러한 모티프는 대부분의 최신 기계 학습에 내장된 오류 기반 조정 프로세스인 경사하강법과 유사한 최적화 전략을 사용하여 스스로 재구성되었지만 외부에서 부과된 알고리즘이 아닌 네트워크 자체의 로컬 역학에서 발생했습니다.

표준 네트워크와 비교 가능한 성능

중요한 테스트는 이 자체 조직 시스템이 실제로 학습할 수 있는지 여부였습니다. 팀은 이러한 로컬 규칙에 따라 관리되는 자체 구성 네트워크가 패턴을 인식하고 이미지를 분류하는 방법을 학습하여 역전파를 통해 훈련된 기존 설계 네트워크와 유사한 수준에서 수행된다는 것을 보여주었습니다.

수석 저자인 Tomaso Poggio는 이 결과를 오랫동안 반대 방향에서 동일한 메커니즘을 추구해 온 두 분야 사이의 잠재적인 가교로 구성했습니다. 만약 팀이 제안한 시냅스 모티프가 역전파가 인공 네트워크에서 수행하는 작업을 수행하기 위해 뇌가 사용하는 것이라면 연구자들은 "인공 네트워크와 자연 네트워크 사이, 즉 기계와 뇌 사이의 기본 메커니즘 수준에서 강력한 연결"을 갖게 될 것이라고 그는 지적했습니다.

뇌-컴퓨터 인터페이스에서 더 나은 AI까지

그 의미는 양방향으로 진행됩니다. 신경과학의 경우 회로가 자체 구성되는 간단한 규칙을 이해하면 학습이 어떻게 작동하고 어떻게 분해되는지 명확하게 알 수 있습니다. Liao는 언어 능력을 잃은 사람들의 의사소통을 회복하거나 마비 환자가 의수족을 제어할 수 있도록 하는 것을 목표로 하는 뇌-컴퓨터 인터페이스를 이러한 규칙을 아는 것이 필수적인 분야로 지적합니다. “뉴런-뉴런 상호작용 뒤에 숨은 규칙을 모르면 이들 중 어느 것도 작동할 수 없습니다.”라고 그는 말했습니다. "단순히 잘 작동하는 회로를 설계하는 것만으로는 이를 달성할 수 없습니다." 동일한 지식은 노화나 질병으로 인해 학습 규칙이 중단되는 상태에 대한 치료법에 정보를 제공할 수 있습니다.

기계 학습의 경우 연구 결과는 아직 탐구되지 않은 설계 공간을 시사합니다. Liao는 자기 조직화 네트워크가 반드시 두뇌가 학습하는 방식을 학습하는 것은 아니지만 자기 조직화를 중요한 출발점으로 삼는다고 경고합니다. "자기 조직화는 최초의 높은 수준의 프레임워크입니다."라고 그는 말했습니다. "자기 조직화를 측정하는 데 능숙해지면 다음 단계에 대해 이야기할 수 있습니다." 그룹의 주요 목표는 뇌를 이해하는 것이지만, 이 지식은 궁극적으로 엔지니어가 더 나은 성능을 발휘하거나 보다 인간과 유사한 방식으로 행동하는 네트워크를 구축하는 데 도움이 될 수 있습니다.

세분성에 대한 공개 질문도 있습니다. 동물이 학습할 때 신경 연결을 재구성하는 규칙은 뇌 영역에 따라 다를 수 있으며 뇌가 성숙함에 따라 변경될 수 있습니다. 연구자들은 단순 규칙 모델이 특정 생물학적 회로와 일치하기 전에 신경과학자들이 지도를 작성해야 할 가능성이 있다고 말합니다. 결과적으로 이러한 매핑은 노화나 질병으로 인해 학습 기계가 어디서 어떻게 중단되는지를 밝혀 예방 전략과 치료법을 알려줄 수 있습니다.

McGovern 뇌 연구 연구소와 K. Lisa Yang ICoN 센터의 연구는 2026년 10월 13일 MIT 뉴스에서 다루었습니다.

---

AI 최신 소식

최신 AI 뉴스, 분석 및 혁신을 한 곳에서 확인하세요.

AI 뉴스 더 보기 →