뇌, 마음, 기계: 지능 해독의 새 시대를 여는 혁신 알고리즘¶
원제목: Brains, minds and machines: A new algorithm for decoding intelligence
핵심 요약
- 새로운 알고리즘이 뇌-기계 인터페이스의 정확성과 효율성을 크게 향상시킴.
- 이 알고리즘은 '부정적 전이' 문제를 해결하며, 훈련 데이터의 양보다 질이 중요함을 입증함.
- 기존 방식 대비 62% 적은 데이터로 최첨단 성능을 달성하여 머신러닝의 훈련 데이터 전략에 도전함.
상세 내용¶
뇌-기계 인터페이스(BMI)는 생각만으로 기계를 제어하는 미래 기술의 핵심입니다. 그러나 이 기술이 실제로 작동하려면 뇌의 신경 활동 패턴에서 인간의 행동(말이나 움직임)을 예측하고 "해독"하는 정교한 알고리즘이 필수적입니다. 현재 뇌 활동은 기능적 MRI, 뇌전도(EEG) 또는 뉴럴링크(Neuralink)가 개발한 것과 같은 이식형 전극을 통해 측정될 수 있습니다. 기존의 뇌 해독 알고리즘은 많은 진전을 이루었지만, 여전히 중요한 한계에 직면해 있습니다.
토론토 대학교의 브로코슬라브 라쇼스키(Brokoslaw Laschowski) 교수는 뇌 활동이 "개인별 특성이 매우 강하다"고 지적합니다. 뇌의 신경 활동은 개인마다, 심지어 동일한 개인 내에서도 상당히 큰 차이를 보이며, 이는 범용적인 뇌 해독 알고리즘을 개발하는 것을 극히 어렵게 만듭니다. 대부분의 알고리즘은 특정 개인과 작업에 최적화되어 있어, 새로운 시나리오마다 추가적인 데이터 수집과 모델 재훈련이 필요하여 시간 소모가 크고 임상 적용을 방해합니다. 이와 함께 머신러닝에서는 '부정적 전이(negative transfer)'라는 흥미로운 현상도 발생합니다. 일반적으로 학습 데이터의 크기와 다양성을 늘리면 모델 성능이 향상되지만, 부정적 전이로 인해 오히려 성능이 저하될 수 있으며, 때로는 작은 데이터셋으로 훈련된 모델이 더 큰 데이터셋으로 훈련된 모델보다 우수한 결과를 보이는 역설적인 상황이 나타나기도 합니다. 이러한 이유로 다중 피험자 뇌 해독에서는 '소스(source) 선택'이 매우 중요하다고 라쇼스키 교수는 강조합니다.
최근 bioRxiv에 발표된 새로운 연구에서, 라쇼스키 교수와 에이단 뎀스터(Aidan Dempster) 연구원은 뇌 해독 과정에서 부정적 전이를 최소화하기 위한 혁신적인 계산 프레임워크를 개발했습니다. 이들은 소스 선택 문제를 혼합 모델 매개변수 추정 문제로 재구성함으로써 이 과제를 해결했습니다. 이 방식은 각 소스 피험자가 단순히 포함되거나 제외되는 것이 아니라, 연속적인 혼합 가중치를 통해 기여할 수 있도록 합니다. 이러한 가중치를 계산하기 위해 연구팀은 일반화된 모멘트 방법(Generalized Method of Moments)을 기반으로 한 새로운 볼록 최적화 알고리즘을 개발했습니다. 이 알고리즘은 모델 성능 지표를 일반화된 모멘트 함수로 활용함으로써 도메인 적응 이론의 수학적 기반과 더욱 밀접하게 부합하며, 최적성 보장을 강화합니다.
105명 이상의 피험자로 구성된 뇌 해독 데이터셋에 이 알고리즘을 테스트한 결과, 연구팀은 62% 더 적은 훈련 데이터를 사용하면서도 최첨단 성능을 달성하는 데 성공했습니다. 이러한 결과는 성능 향상이 부정적 전이 감소에서 비롯되었음을 시사합니다. 라쇼스키 교수는 "이러한 발견은 훈련을 위해 대규모 데이터셋을 개발하고 사용하는 데 중점을 두는 머신러닝의 지배적인 관행에 도전한다"고 말했습니다. 그의 연구는 뇌 해독을 위한 머신러닝 모델을 훈련할 때 양뿐만 아니라 데이터의 '질'이 중요하다는 점을 명확히 보여줍니다. 이 알고리즘의 예비 버전은 2024년 토론토 로봇 공학 컨퍼런스에서 최우수 포스터상(Best Poster Award)을 수상하며 그 혁신성을 인정받았습니다.
이러한 뇌 해독 알고리즘은 다양한 응용 분야에 활용될 수 있습니다. 한 가지 예로는 라쇼스키 교수와 휴 리우(Hugh Liu) 교수의 새로운 학제 간 협력 연구가 있습니다. 이들은 뇌 해독 알고리즘이 자율 드론을 제어하고 상호 작용하는 데 어떻게 사용될 수 있는지 탐구하고 있습니다. 라쇼스키 교수는 자신의 연구실이 계산 신경과학을, 리우 교수의 연구실이 자율 비행 시스템을 전문으로 한다며, 이들의 전문 지식을 결합하여 "새로운 것을 구축하고 뇌와 기계에 대한 이해를 발전시키는 방법을 모색하고 있다"고 밝혔습니다. 뇌-기계 인터페이스 외에도, 그의 알고리즘은 계산 신경과학 연구를 지원하는 데도 활용되고 있습니다. 이 기술은 향후 뇌-컴퓨터 인터페이스의 발전과 로봇 공학, 인공지능 등 다양한 분야에 긍정적인 영향을 미칠 것으로 기대됩니다.
편집자 노트¶
독자 여러분, 생각만으로 기계를 제어하는 기술은 더 이상 공상 과학 영화 속 이야기가 아닙니다. 바로 '뇌-기계 인터페이스(BMI)'라는 기술인데, 오늘 소개해드린 기사는 이 BMI 기술을 한 단계 더 도약시킬 획기적인 연구 결과를 다루고 있습니다. 핵심은 뇌 활동 데이터를 해석하는 알고리즘의 성능 향상에 있습니다. 기존에는 사람마다 뇌 활동 패턴이 너무 달라서 보편적인 알고리즘을 만들기 어려웠고, 심지어 '부정적 전이'라는 현상 때문에 데이터를 많이 모을수록 오히려 성능이 나빠지는 아이러니한 상황도 발생했습니다. 이 연구는 바로 이 '부정적 전이' 문제를 해결함으로써, 우리가 생각하는 것만큼 효율적으로 기계를 제어할 수 있는 길을 열어주고 있습니다.
이 연구의 가장 큰 의의는 "데이터의 양보다 질이 중요하다"는 메시지를 던진다는 점입니다. 무조건 많은 데이터를 때려 넣는 방식이 아니라, 어떤 데이터를 어떻게 활용할지가 관건이라는 것이죠. 실제로 이 알고리즘은 기존보다 62%나 적은 데이터로도 최첨단 성능을 발휘했습니다. 이는 뇌-기계 인터페이스 개발의 시간과 비용을 크게 절감하고, 임상 적용 가능성을 높이는 데 결정적인 역할을 할 것입니다. 앞으로 우리는 이 기술을 통해 생각만으로 의수를 정교하게 조작하거나, 휠체어를 움직이고, 컴퓨터를 제어하는 것은 물론, 기사에 언급된 것처럼 자율 비행 드론과도 소통하는 미래를 맞이할 수 있을 것입니다.
이 기술은 단지 연구실에만 머무르지 않을 것입니다. 예를 들어, 척수 손상이나 신경 질환으로 거동이 불편한 분들에게는 삶의 질을 혁신적으로 높여줄 수 있는 희망이 됩니다. 또한, 일반인들에게도 스마트폰이나 스마트홈 기기를 더욱 직관적이고 편리하게 제어하는 새로운 방법을 제공할 수 있습니다. 궁극적으로 이 연구는 인간의 뇌와 기계의 상호작용에 대한 우리의 이해를 심화시키고, 인류의 삶을 더욱 풍요롭게 만들 잠재력을 가지고 있습니다. 단순히 '기술 발전'을 넘어 '인간 능력의 확장'이라는 거대한 흐름의 중요한 이정표가 될 것입니다.