비즈니스 기회
뇌가 시각적 세계를 이해하는 방식을 AI 시뮬레이션
스탠포드 우차이 신경과학 연구소(Wu Tsai Neurosciences Institute)의 연구팀은 AI를 사용하여 뇌가 세상을 이해하기 위해 감각 정보를 구성하는 방식을 복제하는 데 큰 진전을 이루어 가상 신경 과학의 새로운 지평을 열었습니다.
뇌의 다른 시각 영역에는 친숙한 얼굴의 이미지와 장소의 구별과 같은 더 복잡하고 추상적인 시각적 특징의 지도가 포함되어 있어 뚜렷한 신경 "이웃"을 활성화합니다.
이러한 기능적 지도는 뇌 전역에서 발견될 수 있는데, 신경과학자들은 왜 뇌가 현대 과학만이 관찰할 수 있는 지도와 같은 배치를 진화시켰는지 오랫동안 궁금해했습니다.
이 문제를 해결하기 위해 스탠포드팀은 자연주의적 감각 입력과 연결에 대한 공간적 제약이라는 두 가지 규칙만 사용하는 새로운 종류의 AI 알고리즘인 TDANN(Topographic Deep Artificial Neural Network)을 개발했습니다. 그리고 인간 뇌의 시각 시스템의 여러 부분의 감각 반응과 공간 조직을 모두 성공적으로 예측한다는 것을 발견했습니다.
7년간의 광범위한 연구 끝에 이 연구 결과는 5월 10일 뉴런(Neuron) 저널에 "초기 및 고등 복부 시각 피질의 기능적 조직을 위한 통합 프레임워크(A unifying framework for functional organization in the early and higher ventral visual cortex)"라는 새로운 논문에 발표됐습니다.
기존의 신경망과 달리 TDANN은 공간적 제약을 통합하여 가상 뉴런을 2차원 "피질 시트"에 배열하고 주변 뉴런이 감각 입력에 대해 유사한 반응을 공유하도록 요구합니다.
모델이 이미지를 처리하는 방법을 학습함에 따라 이 지형 구조로 인해 공간 맵이 형성되어 시각적 자극에 반응하여 뇌의 뉴런이 스스로를 구성하는 방식을 복제했습니다. 특히, 이 모델은 일차 시각 피질(V1)의 바람개비 구조와 얼굴이나 장소와 같은 범주에 반응하는 상부 복측두엽 피질(VTC)의 뉴런 클러스터와 같은 복잡한 패턴을 복제했습니다.
이 연구의 수석 저자인 에시드 마갈릿(Eshed Margalit)은 야민스(Yamins)와 그릴-스펙터(Grill-Spector)와 함께 박사 학위를 취득했으며, 연구팀은 뇌를 시뮬레이션하는 훈련 모델의 정확성을 돕기 위해 자기 지도 학습 접근 방식을 사용했다고 말했습니다.
"아마도 아기들이 시각 세계에 대해 배우는 방식과 더 비슷할 것입니다"라고 Margalit는 말했습니다. "처음에는 훈련된 모델의 정확도에 그렇게 큰 영향을 미칠 것이라고 예상하지 못했지만, 좋은 뇌 모델이 되려면 네트워크의 훈련 작업을 올바르게 수행해야 합니다."
완전히 훈련할 수 있는 모델은 신경과학자들이 이 연구에서와 같이 시각이나 청각과 같은 다른 감각 시스템을 위해 뇌가 스스로를 조직하는 방법에 대한 규칙을 더 잘 이해하는 데 도움이 될 것입니다.
"뇌가 세상에 대해 뭔가를 배우려고 할 때, 예를 들어 사람의 스냅 사진 두 장을 보는 것처럼, 뇌와 지도 형태에 비슷하게 반응하는 뉴런을 뇌에 배치한다"고 인문과학부의 수잔 S. 힌들 교수와 윌리엄 H. 힌들 교수인 그릴-스펙터는 말했습니다. "우리는 이 원칙이 다른 시스템에도 적용될 수 있어야 한다고 믿습니다."
이 혁신적인 접근 방식은 신경 과학과 인공 지능 모두에 중요한 영향을 미칩니다. 신경 과학자들에게 TDANN은 시각 피질이 어떻게 발달하고 작동하는지 연구할 수 있는 새로운 렌즈를 제공하여 잠재적으로 신경 장애 치료법을 변화시킬 수 있습니다. AI의 경우, 뇌의 조직에서 파생된 통찰력은 인간처럼 '보는' 법을 컴퓨터에 가르치는 것과 유사하게 더 정교한 시각 처리 시스템으로 이어질 수 있습니다.
이 발견은 또한 인간의 뇌가 어떻게 그러한 뛰어난 에너지 효율로 작동하는지를 설명하는 데 도움이 될 수 있습니다. 예를 들어, 인간의 두뇌는 단 20와트의 전력으로 10억 개의 수학 연산을 계산할 수 있는 반면, 슈퍼컴퓨터는 동일한 수학을 수행하는 데 백만 배 더 많은 에너지가 필요합니다.
이 새로운 발견은 뉴런 지도와 이를 구동하는 공간적 또는 지형적 제약이 뇌의 1,000억 개의 뉴런을 연결하는 배선을 가능한 한 단순하게 유지하는 데 도움이 될 수 있음을 강조합니다. 이러한 통찰력은 뇌의 우아함에서 영감을 받은 보다 효율적인 인공 시스템을 설계하는 데 핵심이 될 수 있습니다.
"AI는 전력소비에 의해 제약을 받는다"고 야민스는 말했습니다. "장기적으로 사람들이 훨씬 더 낮은 전력 소비로 인공 시스템을 실행하는 방법을 안다면 AI의 발전을 촉진할 수 있습니다."
에너지 효율이 더 높은 AI는 실험을 더 빠르고 더 큰 규모로 수행할 수 있는 가상 신경 과학을 성장시키는 데 도움이 될 수 있습니다. 연구진은 지형학적 심층 인공 신경망이 광범위한 자연주의적 시각적 자극에 대해 뇌와 유사한 반응을 재현한다는 것을 원리의 증거로 입증했으며, 이는 미래에 이러한 시스템이 신경 과학 실험의 프로토타입을 제작하고 향후 테스트를 위한 가설을 신속하게 식별하기 위한 빠르고 저렴한 놀이터로 사용될 수 있음을 시사합니다.
가상 신경 과학 실험은 인간의 의료 서비스도 발전시킬 수 있습니다. 예를 들어, 아기가 세상에 대해 시각적으로 배우는 것과 같은 방식으로 인공 시각 시스템을 더 잘 훈련시키면 AI가 시선의 중심이 나머지 시야보다 더 선명한 인간처럼 세상을 보는 데 도움이 될 수 있습니다. 또 다른 응용 분야는 시력을 위한 보철물을 개발하거나 질병과 부상이 뇌 부위에 미치는 영향을 정확히 시뮬레이션하는 데 도움이 될 수 있습니다.
"시력을 잃은 사람들을 위한 보철 장치를 개발하는 데 도움이 될 예측을 할 수 있다면 정말 놀라운 일이 될 것이라고 생각합니다"라고 Grill-Spector는 말했습니다.
이상의 기사는 2024년 5월 28일 MedicalXpress에 게재된 “Neuroscientists use AI to simulate how the brain makes sense of the visual world”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문정보 출처 : Neuroscientists use AI to simulate how the brain makes sense of the visual world (medicalxpress.com)
* 추가정보 출처 : A unifying framework for functional organization in early and higher ventral visual cortex: Neuron