세포 하부 구조에서 전체 유기체에 이르기까지, 많은 자연계 시스템은 자기 조직화 (self-organisation)를 통해 복잡한 조직을 생성합니다. 즉, 결과물에 대한 어떠한 청사진 없이도 국소적 상호작용 (local interactions)이 집합적으로 전역적 구조 (global structure)를 만들어내는 과정입니다. 그러나 이러한 과정을 구동하는 정보의 상당 부분은 자기 조직화 자체에 의해 생성되는 것이 아니라, 대신 시스템의 초기 조건 (initial conditions)으로 오프로딩 (offloaded)되는 경우가 많습니다. 생물학적 발달 (Biological development)이 대표적인 예로, 모체의 사전 패턴 (maternal pre-patterns)은 자기 조직화 과정을 스캐폴딩 (scaffolds)하는 위치 및 대칭성 깨짐 (symmetry-breaking) 정보를 인코딩합니다. 초기 배아 발생 (early embryogenesis) 단계의 모체 형태 형성 인자 기울기 (maternal morphogen gradients)부터 장기 형성을 안내하는 조직 수준의 형태 형성 사전 패턴 (tissue-level morphogenetic pre-patterns)에 이르기까지, 계산 시스템에서의 메모리-연산 트레이드오프 (memory-compute trade-off)와 유사한 이러한 초기 조건으로의 정보 전달은 발달 과정의 근본적인 부분입니다.

본 연구에서는 자기 조직화 규칙 (self-organisation rules)과 사전 패턴 (pre-patterns)을 공동으로 학습하는 모델을 도입하여 이러한 오프로딩 현상을 연구하며, 이를 통해 통제된 조건 하에서 이들의 상호작용을 변화시키고 측정할 수 있도록 합니다. 이 모델은 신경 세포 자동자 (Neural Cellular Automaton, NCA)와 학습된 좌표 기반 패턴 생성기 (SIREN)가 쌍을 이루며, 두 구성 요소 모두 일련의 패턴을 생성하도록 동시에 학습됩니다. 우리는 사전 패턴과 자기 조직화 과정 사이에 정보가 어떻게 분배되는지에 대한 정보 이론적 분석 (information-theoretic analyses)을 제공하며, 두 구성 요소를 공동으로 학습하는 것이 순수하게 자기 조직화만 하는 대안들에 비해 강건성 (robustness), 인코딩 용량 (encoding capacity), 그리고 대칭성 깨짐 (symmetry breaking) 측면에서 개선을 가져온다는 것을 보여줍니다. 우리의 분석은 더 나아가 효과적인 사전 패턴이 단순히 목표를 근사하는 것이 아니라, 수렴을 용이하게 하는 방식으로 발달 역학 (developmental dynamics)에 편향 (bias)을 준다는 것을 시사하며, 이는 초기 조건의 구조와 자기 조직화의 역학 사이의 비자명한 (non-trivial) 관계를 가리킵니다.