인공 뉴런은 스스로를 조직한다

새로운 인공 뉴런은 독립적으로 학습하며 생물학적 대응물을 더욱 강력하게 모델화합니다. 괴팅겐 대학교의 괴팅겐 캠퍼스 생물 네트워크 역학 연구소(CIDBN)와 Max Planck 역학 및 자기 조직 연구소(MPI-DS)의 연구원 팀은 이러한 정보형 뉴런을 프로그래밍 하고 이를 통해 인공 신경망을 구축했습니다. 특별한 특징은 개별 인공 뉴런이 자기 조직화 방식으로 학습하고 네트워크에서 직접적인 환경에서 필요한 정보를 추출한다는 것입니다. 결과는 PNAS에 게재되었습니다.

인간의 뇌와 현대의 인공 신경망은 둘 다 매우 강력합니다.

가장 낮은 수준에서 뉴런은 다소 간단한 컴퓨팅 장치처럼 함께 작동합니다.

인공 신경망은 일반적으로 개별 뉴런으로 구성된 여러 층으로 구성됩니다.

입력 신호는 이러한 층을 통과하고 인공 뉴런에 의해 처리되어 관련 정보를 추출합니다.

그러나 기존의 인공 뉴런은 학습하는 방식에서 생물학적 모델과 상당히 다릅니다.

대부분의 인공 신경망은 네트워크 외부의 포괄적인 조정에 의존하여 학습하는 반면, 생물학적 뉴런은 네트워크 내에서 바로 근처에 있는 다른 뉴런으로부터만 신호를 받고 처리합니다.

생물학적 신경망은 유연성과 에너지 효율성 측면에서 인공 신경망보다 여전히 훨씬 우수합니다.

정보형 뉴런 이라고 불리는 새로운 인공 뉴런은 이웃 뉴런 사이에서 독립적으로 학습하고 자체 조직화할 수 있습니다.

즉, 네트워크의 가장 작은 단위는 더 이상 외부에서 제어될 필요가 없고, 어떤 입력이 관련성이 있고 어떤 입력이 관련성이 없는지를 스스로 결정하게 됩니다.

연구팀은 정보형 뉴런을 개발하면서 뇌의 작동 방식, 특히 대뇌 피질의 피라미드 세포에서 영감을 얻었습니다.

또한 이들은 주변 환경의 다양한 출처에서 오는 자극을 처리하고 이를 활용해 적응하고 학습합니다.

새로운 인공 뉴런은 매우 일반적이고 이해하기 쉬운 학습 목표를 추구합니다. CIDBN의 Marcel Graetz는 "이제 우리는 네트워크 내부에서 무슨 일이 일어나고 있는지, 그리고 개별 인공 뉴런이 어떻게 독립적으로 학습하는지 직접 이해합니다."라고 강조했습니다.

연구자들은 학습 목표를 정의함으로써 뉴런이 스스로 특정 학습 규칙을 찾을 수 있도록 했습니다. 연구팀은 각 개별 뉴런의 학습 과정에 집중했습니다. 그들은 새로운 정보 이론적 척도를 적용하여 뉴런이 이웃과 더 많은 중복성을 추구해야 하는지, 시너지 효과를 내어 협력해야 하는지, 아니면 네트워크 정보의 자체 부분을 전문화해야 하는지 정확하게 조정했습니다.

MPI-DS의 Valentin Neuhaus는 "입력의 특정 측면을 전문화하고 이웃과 조정함으로써 우리의 정보형 뉴런은 네트워크의 전반적인 작업에 기여하는 방법을 배웁니다."라고 설명합니다. 정보 형 뉴런 을 통해 팀은 머신 러닝을 위한 새로운 방법을 개발할 뿐만 아니라 뇌의 학습에 대한 더 나은 이해에도 기여하고 있습니다.

출처: https://www.sciencedaily.com/releases/2025/03/250328172944.htm