끌개신경망 (Attractor Network)
쉽게 풀면
끌개신경망은 마치 공이 그릇 바닥으로 굴러 떨어지듯, 신경망의 활동 패턴이 여러 초기 상태에서 출발하더라도 결국 몇 개의 정해진 안정 상태로 수렴하도록 만들어진 모델이다. 이 안정 상태 하나하나가 마치 저장된 기억이나 특정 개념을 나타낸다고 볼 수 있다. 일단 신경망이 하나의 안정 상태에 도달하면 외부 입력이 사라져도 그 활동 패턴을 계속 유지할 수 있어, 작업기억처럼 정보를 짧은 시간 동안 붙잡아 두는 현상을 설명하는 데 유용하다. 해마의 CA3 영역이 패턴완성 기능을 수행할 때 이런 끌개신경망처럼 작동한다는 이론이 널리 받아들여진다.
왜 중요한가
끌개신경망은 신경계가 어떻게 정보를 안정적으로 저장하고 유지하는지를 수학적으로 설명할 수 있는 몇 안 되는 계산 모델 중 하나이기 때문에, 계산신경과학과 인지과학 전반에서 핵심적인 이론적 틀로 다뤄진다. 해마의 기억 복원, 전전두엽의 작업기억 유지, 두정엽의 방향감각(헤드디렉션) 표상처럼 겉보기에 서로 다른 현상들이 모두 같은 끌개 역학으로 설명될 수 있다는 점이 이 개념의 설명력을 크게 높인다. 또한 인공신경망 연구에서도 홉필드 네트워크 이후 순환 신경망의 안정성과 기억 용량을 분석하는 이론적 토대로 계속 활용되고 있다.
논문에서는 이렇게 쓰입니다
해마의 패턴완성 기능이나 작업기억의 지속적 활동을 설명하는 계산모델 논문에서 자주 등장한다.
지연반응 과제 중 관찰되는 신경세포의 지속적 발화를 이론적으로 뒷받침하는 인지신경과학 논문에서 흔히 볼 수 있는 표현이다.
공간 표상이나 방향 감각을 다루는 시스템신경과학 논문에서 연속적인 끌개 다양체(manifold) 개념과 함께 등장하는 예문이다.
조금 더 깊게 보면
끌개신경망은 안정 상태의 개수와 구조에 따라 몇 가지 유형으로 나뉜다. 이산적인 개별 기억 패턴 각각이 하나의 고정점(fixed point)으로 저장되는 경우를 이산 끌개(discrete attractor)라 부르고, 헤드디렉션 세포처럼 연속적인 값(방향, 위치 등)을 표상해야 할 때는 안정 상태들이 하나의 연속적인 다양체를 이루는 연속 끌개(continuous attractor)로 모델링한다. 논문에서는 종종 에너지함수(energy function) 또는 리아푸노프 함수 개념을 도입해, 신경망의 활동이 이 함수를 낮추는 방향으로 진화하며 결국 국소 최솟값인 끌개 상태에 도달한다고 설명한다. 실제 신경 데이터를 분석할 때는 신경세포 집단의 활동을 저차원 상태공간에 투영해 궤적이 특정 영역으로 수렴하는지를 관찰하는 방식으로 끌개 구조의 존재를 간접적으로 검증하는 경우가 많다.
주의할 점
승자독식신경망과 개념적으로 연관되지만, 끌개신경망은 반드시 하나의 승자만 남기는 것이 아니라 다양한 안정 패턴을 저장할 수 있다는 차이가 있다.