디지털 두뇌: Google DeepMind의 AI 쥐 두뇌는 로봇을 실제처럼 빠르게 만들 수 있다.
쥐는 엄청나게 민첩한 생물이다. 그들은 놀라운 속도로 커튼 위로 올라가고, 높은 선반에서 뛰어내리고, 복잡한 지형(예: 이상한 모양의 물건이 쌓여 있는 지하실)을 허둥지둥 횡단할 수 있다.
그에 비해 로봇은 전혀 민첩하지 않다. 움직임을 안내하는 AI의 최근 발전에도 불구하고 로봇은 특히 새로운 환경을 탐색할 때 여전히 경직되고 서투르다.
로봇을 더욱 민첩하게 만들기 위해 생물학적 두뇌에서 추출한 알고리즘으로 로봇을 제어하는 것은 어떨까? 우리의 움직임은 물리적 세계에 뿌리를 두고 있으며 경험을 기반으로 한다. 이는 우리가 다양한 주변 환경을 쉽게 탐색할 수 있게 해주는 두 가지 구성 요소이다.
한 가지 큰 장애물이 있다. 수십 년간의 연구에도 불구하고 신경과학자들은 아직 뇌 회로가 움직임을 제어하고 조정하는 방법을 정확히 찾아내지 못했다. 대부분의 연구에서는 신경 활동을 측정 가능한 운동 반응(예: 손의 경련 또는 다리를 들어 올리는 속도)과 연관 지었다. 즉, 우리는 움직임을 설명할 수 있는 뇌 활성화 패턴을 알고 있다. 그러면 애초에 어떤 신경 회로가 그러한 움직임을 유발할까?
우리는 그것들을 디지털 형식으로 재창조함으로써 답을 찾을 수 있다. 유명한 물리학자 리처드 파인만(Richard Feynman)은 “내가 창조할 수 없는 것은 이해할 수 없다”고 말했다.
이번 달 Google DeepMind와 하버드 대학교는 복잡한 움직임을 제어하는 신경 회로를 파악하기 위한 현실적인 가상 쥐를 구축했다. 인공 신경망으로 구성된 쥐의 디지털 뇌는 열린 경기장에서 뛰어다니는 실제 쥐의 수십 시간 동안의 신경 녹음을 통해 훈련되었다.
인공 두뇌의 활성화 패턴을 살아 숨쉬는 동물의 신호와 비교한 결과, 연구팀은 디지털 두뇌가 실제 쥐의 신경 활성화 패턴을 예측하고 동일한 행동(예: 달리거나 뒷다리로 키우는 등)을 생성할 수 있음을 발견했다.
연구 저자인 하버드 대학교의 벤스 올베츠키(Bence Ölveczky) 박사는 보도 자료에서 이번 협력이 "환상적"이라고 말했다. “DeepMind는 복잡한 환경에서 이동할 수 있도록 생체역학적 에이전트를 훈련시키는 파이프라인을 개발했다. 우리에게는 그러한 시뮬레이션을 실행하고 이러한 네트워크를 교육할 리소스가 없었다.”
가상 쥐의 뇌는 특히 움직임에 중요한 두 영역을 요약했다. 해당 영역의 연결을 조정하면 다양한 행동에 걸쳐 운동 반응이 변경되었으며, 이는 이러한 신경 신호가 걷기, 달리기, 오르기 및 기타 움직임과 관련되어 있음을 시사한다.
"실제 동물처럼 행동하도록 훈련된 가상 동물은 가상 신경과학을 위한 플랫폼을 제공할 수 있다. 그렇지 않으면 실험적으로 추론하기 어렵거나 불가능하다."라고 팀은 기사에서 썼다.
밀집된 데이터세트
인공지능은 디지털 세계에 “살아있다”. 로봇에 전력을 공급하려면 물리적 세계를 이해해야 한다.
세상에 대해 가르치는 한 가지 방법은 설치류의 신경 신호를 기록하고 기록을 사용하여 자연스러운 행동을 복제하는 생체 역학적으로 사실적인 모델을 제어할 수 있는 알고리즘을 엔지니어링하는 것이다. 목표는 뇌의 계산을 로봇을 조종할 수 있는 알고리즘으로 정제하고 신경과학자들에게 뇌의 작동에 대한 더 깊은 이해를 제공하는 것이다.
지금까지 이 전략은 시각, 후각, 탐색 및 얼굴 인식을 위한 뇌의 계산을 해독하는 데 성공적으로 사용되었다고 저자는 논문에서 설명했다. 그러나 모델링 운동은 어려운 일이었다. 개인은 다르게 움직이며 뇌 기록의 소음으로 인해 AI의 정밀도가 쉽게 엉망이 될 수 있다.
이 연구는 풍부한 데이터를 활용하여 당면 과제를 해결했다.
팀은 먼저 여러 마리의 쥐를 6개의 카메라가 있는 경기장에 배치하여 뛰어다니거나, 양육하거나, 원을 그리며 회전하는 등의 움직임을 포착했다. 쥐는 게으른 부랑자일 수 있다. 그들이 움직이도록 격려하기 위해 팀은 경기장 건너편에 치리오스(Cheerios)를 매달았다.
쥐가 경기장을 탐색하는 동안 팀은 뇌에 이식된 128채널 전극 어레이를 통해 607시간의 비디오와 신경 활동을 기록했다.
그들은 이 데이터를 사용하여 가상 쥐의 "뇌"인 인공 신경망을 훈련시켜 신체 움직임을 제어했다. 이를 위해 그들은 먼저 비디오에서 23개의 관절이 어떻게 움직이는지 추적하고 이를 쥐의 골격 움직임 시뮬레이션으로 옮겼다. 우리의 관절은 특정한 방식으로만 구부러지며, 이 단계에서는 물리적으로 불가능한 것(예: 다리를 반대 방향으로 구부리는 것)을 걸러낸다.
가상 쥐의 뇌의 핵심은 역동역학 모델(Inverse Dynamics Model)이라는 일종의 AI 알고리즘이다. 기본적으로 이 시스템은 주어진 시간에 공간에서 "신체" 위치가 어디에 있는지 알고 거기에서 목표로 이어지는 다음 움직임을 예측한다. 예를 들어 커피잔을 떨어뜨리지 않고 집는 것이다.
시행착오를 통해 AI는 결국 생물학적 대응체의 움직임과 거의 일치하게 되었다. 놀랍게도 가상 쥐는 새로운 환경을 탐색하는 데 필요한 힘을 학습함으로써 익숙하지 않은 장소와 시나리오에 운동 기술을 쉽게 일반화할 수도 있다.
유사점을 통해 팀은 동일한 행동을 수행할 때 실제 쥐와 디지털 도플갱어를 비교할 수 있었다.
한 테스트에서 팀은 운동 기술을 안내하는 것으로 알려진 두 뇌 영역의 활동을 분석했다. 뇌 네트워크를 디코딩하는 데 사용되는 이전 계산 모델과 비교할 때 AI는 여러 물리적 작업에 걸쳐 가상 쥐의 신경 신호를 더 잘 시뮬레이션할 수 있다.
이 때문에 가상 쥐는 디지털 방식으로 움직임을 연구할 수 있는 방법을 제공한다.
예를 들어, 오랜 질문 중 하나는 뇌와 신경이 작업에 따라 어떻게 근육 움직임을 명령하는지이다. 예를 들어, 아침에 커피 한 잔을 마시려면 갑작스러운 움직임 없이 안정적인 손이 필요하지만, 이를 안정적으로 잡을 수 있는 충분한 힘이 필요하다.
팀은 뇌 네트워크의 변화가 커피 한잔을 마시는 최종 행동을 어떻게 바꾸는지 확인하기 위해 가상 설치류의 "신경 연결"을 조정했다. 그들은 주어진 시간에 행동을 식별하고 이를 안내할 수 있는 하나의 네트워크 측정값을 찾았다.
실험실 연구와 비교할 때 이러한 통찰력은 "시뮬레이션을 통해서만 직접 접근할 수 있다"고 팀은 썼다.
가상 쥐는 AI와 신경과학을 연결한다. 여기의 AI 모델은 살아있는 생물의 물리적 특성과 신경 신호를 재현하여 뇌 기능을 조사하는 데 매우 중요하다. 이 연구에서 가상 쥐의 운동 능력의 한 측면은 두 개의 뇌 영역에 의존하여 복잡하고 적응 가능한 움직임을 안내하는 데 핵심이 되는 잠재적 영역으로 이 영역을 찾아냈다.
유사한 전략은 시각, 감각 또는 추론과 같은 더 높은 인지 기능의 기초가 되는 계산에 대한 더 많은 통찰력을 제공할 수 있다. 그러나 가상 쥐의 뇌는 실제 쥐의 뇌를 완전히 복제한 것이 아니다. 뇌 일부의 스냅샷만 캡처한다. 그러나 이를 통해 신경과학자들은 자신이 선호하는 뇌 영역을 "확대"하고, 종종 몇 주에서 몇 달이 걸리는 전통적인 실험실 실험에 비해 빠르고 쉽게 가설을 테스트할 수 있다.
로봇공학 측면에서 이 방법은 AI에 물리적 특성을 추가한다.
"우리는 구체화된 에이전트를 구축하는 과정에서 엄청난 양을 배웠다. AI 시스템은 지능적으로 생각해야 할 뿐만 아니라 복잡한 환경에서 그 생각을 물리적 행동으로 변환해야 한다."고 연구 저자인 DeepMind의 매튜 보트비닉(Matthew Botvinick) 박사는 보도 자료에서 말했다. "신경과학적 맥락에서 이와 동일한 접근 방식을 취하는 것이 행동과 뇌 기능 모두에 대한 통찰력을 제공하는 데 유용할 수 있을 것 같다."
팀은 다음으로 디지털 두뇌의 내부 작동을 더 자세히 들여다보기 위해 생물학적 대응과 함께 더 복잡한 작업으로 가상 쥐를 테스트할 계획이다.
올베츠키는 하버드 가제트에 “실험을 통해 그러한 작업을 어떻게 해결하는지에 대한 많은 아이디어를 얻었다.”라고 말했다. "우리는 가상 쥐를 사용하여 이러한 아이디어를 테스트하고 실제 두뇌가 어떻게 복잡한 행동을 생성하는지에 대한 이해를 높이는 데 도움을 주고 싶다."
이미지 크레디트: Google DeepMind
