신경 다양체를 통한 계산: 멀티스케일 프레임워크

실험 신경과학과 기계학습의 최근 돌파구들은 신경 회로와 인공신경망을 지배하는 계산 원리를 이해하는 새로운 지평을 열고 있습니다. 생물학적 시스템과 인공 시스템 모두 개별 뉴런에서부터 인지와 과제 기능이라는 창발 현상에 이르기까지, 여러 스케일에 걸쳐 정교하게 조율된 정보 처리를 보여줍니다. 중시적(mesoscopic) 스케일에서 뉴런 집단 활동의 구조는 신경 표현(neural representation)으로 나타나며, 신경 계산은 이러한 표현들의 연속적인 변환으로 볼 수 있습니다.

이번 강연에서는 통계물리학, 기계학습, 기하학을 활용한 세 가지 연관 접근법을 소개합니다. 첫째, 신경 반응의 기하학적 구조(신경 다양체, neural manifold)를 신경 표현의 효율성과 연결하는 통계역학 이론입니다. 둘째, 단일 뉴런의 특성과 뇌 영역 간 변환에 의해 표현이 스케일을 넘나들며 어떻게 진화하는지입니다. 마지막으로, 이러한 통찰이 효율적 부호화(efficient coding) 원리를 초기 감각 단계 너머로 확장해 표현의 기하학과 효율적인 과제 수행을 연결하며, 고차 시각을 위한 인공신경망 모델 설계에 원리에 기반한 접근을 제시하는 방법입니다.

연사

정수연(SueYeon Chung) 교수는 하버드대학교 물리학과, 켐프너 연구소(Kempner Institute), 뇌과학센터(Center for Brain Science) 소속입니다.