생쥐의 수염 감각을 가장 닮게 처리한 신경망은 순환하는 합성곱망이었다

짧은 읽기

딥러닝의 과학

생쥐 수염 30가닥이 받는 힘과 토크로 학습한 신경망 64개를 배럴 피질 기록과 견주어, 층마다 순환이 도는 합성곱망이 가장 닮았다고 보고한 NeurIPS 2025 Oral 논문을 짧게 읽는다. 비교한 자극이 여섯 개뿐이라는 점도 함께 본다.

공개

2026년 10월 21일

키워드

계산 신경과학

한 줄 요약

생쥐 수염이 받는 힘과 토크를 흉내 낸 입력으로 신경망 64개를 학습시켜 배럴 피질(수염 감각 피질) 기록과 견주었더니, 층마다 순환이 도는 합성곱망(ConvRNN)을 앞단에 둔 모델이 분류도 잘하고 피질과도 가장 닮았다. 다만 뇌와 비교한 자극은 여섯 개뿐이라 구조 사이 순위를 가르는 힘은 약하다.

무엇이 달라졌나

과제를 풀도록 학습한 신경망을 뇌 기록과 맞대 보는 방법은 영장류 시각 피질에서 시작해 청각, 운동, 언어 영역으로 넓어졌다. 촉각은 예외였다. 쥐 수염을 흉내 낸 모델은 있었지만 체감각 피질의 집단 반응과 비교한 연구는 없었다(1절, 2절). 이 논문이 그 비교를 처음 했다.

인코더를 ConvRNN, ResNet, S4로 바꿔 가며 117범주 분류를 학습시키면 ConvRNN 인코더가 가장 잘했다(4절, 그림 3). 피질과 닮은 정도도 같은 방향이었고, 지도 학습 모델끼리 보면 분류 정확도와 닮음 점수의 상관이 r = 0.59였다(4절, 그림 5b). 가장 높은 점수는 라벨 없이 SimCLR로 학습한 IntersectionRNN 모델이 냈다. 잡음 보정 RSA 상관이 0.96인데, 상위 5개 분류 정확도는 0.15에 그쳤다(표 7). 여기에는 수염 격자를 뒤집고 돌리고 시간을 거꾸로 돌리는 촉각용 증강이 필요했다. 이미지용 증강으로는 학습이 되지 않았다(3절, 그림 5c).

(가) 수염 격자 입력과 인코더, 어텐더, 디코더

(나) 쥐 배럴 피질과 닮은 정도

(가) 생쥐 수염 30가닥이 받는 힘과 토크를 5×7 격자에 놓고 빈칸 다섯은 0으로 채워 22걸음 동안 넣는다. 인코더는 층마다 자기 순환(주황 화살표)이 있는 합성곱 층을 쌓은 ConvRNN이고, 비교 대상으로 ResNet과 S4를 같은 자리에 넣었다. 논문 그림 1(a)와 그림 2(a)를 단순화한 개념도이며 격자의 색 농도는 예시다. (나) 여섯 자극에 대한 표상 비유사도 행렬을 모델과 쥐 사이에서 비교한 잡음 보정 상관으로, 1이면 기록의 잡음 안에서 다 맞춘 셈이다. 동물 사이 평균과 표준오차는 부록 A4, 처리하지 않은 입력은 4절, 두 SimCLR 모델은 표 7의 값이다. 기록의 신뢰도가 낮으면 보정 값이 1을 넘기도 해서, 가장 잘 맞는 동물 한 쌍은 1.34까지 올라간다(부록 A4).

어떻게 보였나

쥐 수염 전체를 3차원으로 흉내 내는 WHISKiT Physics를 생쥐 수염 30가닥에 맞게 고쳤다(3절). ShapeNet 물체 9,981개를 속도, 높이, 회전, 거리를 바꿔 가며 수염에 쓸고 지나가게 한 뒤, 수염마다 걸린 힘과 토크를 5×7 격자에 놓아 22걸음으로 끊었다(3절, 표 1).

모델은 인코더, 어텐더, 디코더 세 칸을 골라 끼우는 방식으로 짰다(3절, 그림 2a). 손실로는 지도 분류와 SimCLR 같은 자기지도 학습을 썼다. ConvRNN은 한 시간 걸음에 신호가 한 층씩만 나아가도록 펼쳐서, 피질의 층을 차례로 거치는 처리와 비슷하게 만들었다(3절).

뇌 쪽 자료는 생쥐 11마리의 배럴 피질에서 기록한 신경 단위 999개다. 생쥐는 수염으로 볼록한 물체와 오목한 물체를 가렸고 물체는 세 거리에 놓였으니, 자극은 여섯 가지다(3절, 그림 4a). 이 여섯 자극은 시뮬레이터에 다시 만들어 실제 수염 휘젓기 궤적으로 훑었다. 자극 쌍 사이의 거리 행렬을 모델과 뇌에서 각각 만든 뒤 두 행렬의 상관을 재는 표상 유사도 분석(RSA)이라 따로 맞추는 매개변수가 없다. 시행을 반씩 나눠 신뢰도가 0.5를 넘는 뉴런만 남기고 그 신뢰도로 점수를 보정했으며, 층마다 점수를 내 가장 높은 층의 값을 모델 점수로 삼았다(3절). 학습은 물체가 수염을 스쳐 가는 수동 쓸기였으니, 수염을 휘젓는 평가와는 조건이 다르다(4절).

눈여겨볼 점

넘어야 할 기준이 낮다. 생쥐끼리 닮은 정도의 평균은 0.175(표준오차 0.161)인데(부록 A4), 처리하지 않은 입력이 이미 0.46이고(4절), 학습 전 무작위 초기화 모델도 대부분 이 평균을 넘는다(그림 4b). 그러니 “생쥐끼리보다 모델이 생쥐와 더 닮았다”는 문장은 에누리해서 읽어야 한다. 여섯 자극이면 거리 행렬에서 비교하는 값은 15개뿐이다. 리뷰어 넷 가운데 셋이 자극 수를 짚었고, 저자들도 자극이 적은 것을 가장 큰 한계로 꼽았다(5절).

점수도 쉽게 흔들린다. 가장 잘 맞은 SimCLR 모델에 시간 가림 증강 하나를 더하자 분류 정확도는 0.15에서 0.18로 조금 올랐는데 피질 점수는 0.96에서 0.42로 떨어졌다(표 7). 해독도 힘을 쓰지 못해서, 여섯 자극 가운데 하나를 빼고 나머지로 볼록과 오목을 맞히게 하면 이 모델은 하나도 맞히지 못했고, 생쥐 기록도 0.44로 우연 수준인 0.5에 못 미쳤다(표 6). 인코더 사이 차이는 상당수가 오차 막대 안에 있고(그림 4b), 위 그림 (나)의 두 SimCLR 모델 차이는 저자들이 토론에서 제시한 윌콕슨 검정으로 p = 0.0425였다(OpenReview 저자 답변). S4 인코더는 지도 학습에서 손실이 발산해 분류 비교에서 빠졌다(그림 3). 블로그의 해석으로는, 순환 인코더가 촉각 피질 모델의 좋은 후보라는 신호까지는 읽히지만 구조 사이 순위가 정해졌다고 보기는 이르다.

열린 질문

모양과 질감이 다양한 자극으로 촉각 피질을 기록하면 순환 인코더의 우위가 오차 막대 밖으로 뚜렷해질까, 그리고 그 우위는 층을 한 걸음씩 거치는 시간 구조와 게이트가 달린 순환 단위 가운데 어디에서 올까.

이해 확인

모델이 “생쥐끼리 닮은 정도의 평균”을 넘었다는 결과를 조심해서 읽어야 하는 까닭으로 가장 알맞은 것은?

모델을 뉴런 기록에 회귀로 맞춰 학습했기 때문에 과적합이 끼어 있다
처리하지 않은 입력도 넘을 만큼 기준이 낮고, 비교한 자극이 여섯 개뿐이다
학습은 능동 휘젓기로, 평가는 수동 쓸기로 해서 두 조건이 달랐다
지도 학습 모델만 피질과 비교하고 자기지도 모델은 비교에서 뺐다

RSA는 매개변수를 맞추지 않으니 1번은 틀렸고, 학습이 수동 쓸기이고 평가가 능동 탐색이라 3번은 거꾸로다. 가장 높은 점수는 SimCLR 모델이 냈으니 4번도 틀렸다(표 7). 생쥐 사이 평균은 0.175인데 처리하지 않은 입력이 이미 0.46이고(부록 A4, 4절), 자극은 여섯 가지다(3절).

논문 정보

제목: Task-Optimized Convolutional Recurrent Networks Align with Tactile Processing in the Rodent Brain
저자: Trinity Chung (Robotics Institute, Carnegie Mellon University), Yuchen Shen (Machine Learning Department, Carnegie Mellon University), Nathan C. L. Kong (Department of Psychology, University of Pennsylvania), Aran Nayebi (Machine Learning Department, Neuroscience Institute and Robotics Institute, Carnegie Mellon University)
학회: NeurIPS 2025 구두 발표(Oral)
링크: arXiv, OpenReview, 코드