신경 집합을 통한 인과 학습

함께 발화하고 공발화를 통해 강해지는 신경 세포의 그룹인 신경 집합 (Neural Assemblies) 은 변수 간의 인과 영향 방향을 학습할 수 있을까? 분류, 파싱, 계획 수립을 위한 계산적으로 일반적인 기질로 확립된 바 있는 신경 집합은 아직 내부적으로 인과 방향성을 체화한다는 증거는 없었습니다. 우리는 신경 집합의 고유한 연산인 투영 (projection), 국소 가소성 제어 (local plasticity control), 희소 승자 선택 (sparse winner selection) 이 방향성 학습에 충분함을 입증합니다. 우리는 적응적 이득 스케줄 (adaptive gain schedule) 하에서 소스와 타겟 집합을 공발화하여 방향성 관계를 체화하는 메커니즘인 DIRECT(DIRectional Edge Coupling/Training) 을 소개합니다. 역전파 기반 방법과 달리 DIRECT 는 국소 가소성만을 의존하므로, 결과적인 인과 주장은 기계 수준에서 감사 (audit) 가능하게 됩니다. 우리의 발견은 이중 판독 검증 전략 (dual-readout validation strategy) 을 통해 확인되었습니다: (i) 시냅스 강도 비대칭성 (synaptic-strength asymmetry), 즉 전방 및 역방향 링크 간 나타나는 가중치 격차를 측정하고, (ii) 기능적 전파 중첩 (functional propagation overlap), 즉 방향성 신호 흐름의 신뢰성을 정량화합니다. 여러 도메인에서 이 프레임워크는 감독 학습 및 알려진 구조 설정 하에서 완벽한 구조 복구를 달성했습니다. 이러한 결과는 신경 집합을 생물학적으로 타당한 동역학과 형식적인 인과 모델 사이의 감사 가능한 다리로 확립하며, 인과 주장을 특정 신경 승자와 시냅스 비대칭성에 추적할 수 있는 '설계상 설명 가능 (explainable by design)' 프레임워크를 제공합니다.