수상돌기 문맥 게이팅 기반 어셈블리 연산

뇌에서 특정 개념을 인코딩하는 신경 어셈블리(강하게 연결된 뉴런 그룹)는 지각과 기억의 기본 구성 요소로 간주됩니다. 이러한 어셈블리의 존재와 형성의 생물학적 근거가 최근 밝혀졌음에도 불구하고, 기존 계산 모델들은 어셈블리가 실제 세계 연산을 수행하기 위해 유연하게 학습되고 결합되는 방식을 설명하는 데 한계가 있었습니다. 특히, 새로운 어셈블리 학습이 기존 연결 구조를 방해하여 이전에 학습된 어셈블리를 잊게 만드는 '파국적 망각' 문제가 두드러졌습니다. 본 연구는 생물학적으로 타당한 계산 모델을 제안합니다. 이 모델에서는 뉴런 대신 수상돌기 구획이 학습의 중심이 되며, 수상돌기 특이적 방식으로 학습을 억제하는 게이팅 메커니즘을 통해 기존 정보를 잊지 않고 새로운 자극을 유연하게 학습할 수 있습니다. 이는 안정적인 뇌 영역 간 투영 및 연관 학습을 가능하게 합니다. 제안된 어셈블리 프레임워크가 다양한 연산을 위한 기본 구성 요소를 어떻게 구현하는지 시연했습니다. 시각-청각 연관성 과제에서, 문맥 특이적 어셈블리 연산이 수상돌기 표현을 기반으로 모호한 자극을 정확하게 분리하는 데 사용될 수 있음을 입증했습니다. 이 모델은 계층적으로 연결된 뇌 영역이 생물학적 구성 요소를 활용하여 유연하면서도 견고한 학습을 구현하는 방식에 대한 독창적인 통찰력과 예측을 제공합니다. 이는 뇌 기능 이해와 인공지능 학습 시스템 개발에 기여할 수 있습니다.