신경 형태 계층 모듈형 리저버

뇌 조직의 근본 원리인 모듈성은 전문화된 정보 처리를 가능하게 하는 분리된 하위 네트워크의 존재로 나타납니다. 이러한 고밀도 연결 모듈은 종종 더 크고 고차원적인 모듈 내에 중첩되어 계층적 모듈 구조를 형성하지만, 이러한 계층적 모듈성이 네트워크 기능에 미치는 영향은 아직 불분명합니다. 본 연구에서는 다단계 계층적 모듈 네트워크를 생성하기 위한 간단한 블록 모델링 프레임워크를 도입하고, 이를 순환 신경망 리저버로 구현하여 계산 능력을 평가했습니다. 그 결과, 계층적 모듈 네트워크가 엄격한 모듈형 및 무작위 네트워크에 비해 기억 용량을 향상시키고, 다중 작업을 지원하며, 더 넓은 범위의 시간 역학을 생성함을 확인했습니다. 이러한 기능적 이점은 상호적 및 순환적 네트워크 모티프를 포함하여 계층적 모듈 네트워크에서 풍부하게 나타나는 위상학적 특징에서 비롯됩니다. 또한, 이러한 이점은 인간 뇌 구조 연결성의 이질적인 모듈 조직에도 확장되어, 계층적 조직이 기억 용량을 증진하고 뇌와 유사한 신경 시간 척도 출현에 기여함을 발견했습니다. 종합적으로, 이 연구 결과는 계층적 모듈성이 네트워크에 계산적으로 유리한 특성을 부여하며, 신경망 구조와 기능 간의 관계에 대한 통찰력을 제공합니다.