인공 신경망 자기 조직화 모델 구축

팩트미국 매사추세츠공과대학교 맥거번 뇌 연구소와 케이 리사 양 통합 계산 신경과학 센터 연구진은 인공 신경망의 생물학적 타당성을 평가하는 핵심 지표로 자기 조직화 능력을 제시했습니다.

주장개발자의 개입 없이 스스로 학습 기제를 구축할 수 있는 네트워크가 뇌의 학습 방식을 이해하는 데 가장 유용한 모델입니다.

팩트해당 연구 결과는 2026년 10월 9일 학술지 피엔에이에스(PNAS)에 게재되었습니다.

팩트연구팀은 첸리 리아오와 류 지인 및 율루 간 등으로 구성되었으며 토마소 포지오와 마크 하넷 교수가 연구를 지도했습니다.

팩트연구진이 개발한 네트워크는 무작위로 연결된 신경 단위들로 시작하며, 각 단위는 동일한 단순 규칙에 따라 연결 강도를 조정합니다.

팩트이 과정에서 함께 활성화되는 신경세포는 함께 연결된다는 생물학적 원리가 적용되어 정보 처리 회로가 스스로 형성됩니다.

팩트실험 결과, 이 자기 조직화 네트워크는 패턴 인식 및 이미지 분류 작업에서 기존의 역전파 알고리즘 기반 네트워크와 유사한 성능을 보였습니다.

주장복잡한 설계 없이도 단순한 규칙의 반복만으로 고도화된 학습이 가능합니다.

주장현재의 인공지능 기술은 뛰어난 성능을 보이지만 뇌가 사용하는 학습 알고리즘과는 차이가 있습니다.

교차검증뇌는 외부 설계자가 존재하지 않으며 스스로 조직화해야 하므로, 인공지능이 뇌를 모방하려면 스스로 학습 기제를 구축하는 능력이 필수적입니다.

교차검증연구진은 자기 조직화 네트워크가 뇌의 학습 방식과 완전히 동일하다고 단정하지 않습니다.

팩트신경과학자들은 뇌의 신경 연결 규칙을 이해하는 것이 뇌-컴퓨터 인터페이스 개발에 필수적이라고 강조합니다.

팩트이는 언어 능력을 상실한 환자의 소통 복구나 마비 환자의 의수 제어 기술 발전에 핵심적인 역할을 합니다.

주장인공 신경망의 가치는 단순히 연결을 최적화하는 성능에만 있지 않습니다.

주장연결을 조정하는 기제 자체를 스스로 조직화할 수 있는지 여부가 신경과학적 연구 가치를 결정하는 척도가 되어야 합니다.

팩트연구팀은 자기 조직화 과정에서 경사 하강법과 유사한 최적화 전략이 나타남을 확인했습니다.

팩트이는 현대 머신러닝 시스템이 사용하는 오류 기반 성능 개선 방식이 생물학적 신경망에서도 자연스럽게 발생할 수 있음을 시사합니다.

출처매사추세츠공과대학교 뉴스(https://news.mit.edu/2026/how-artificial-neural-networks-build-their-own-learning-machinery-1013) 및 피엔에이스(PNAS) 학술지 논문을 교차 검증했습니다.