대규모 언어 모델(Large Language Models, LLMs)은 종종 현실적으로 보이지만 사실과 맞지 않는 출력, 즉 ‘환각(hallucinations)’을 생성하여 신뢰성에 심각한 영향을 미친다. 기존 연구들은 훈련 데이터나 목적 함수와 같은 거시적 관점에서 환각 현상을 탐구해왔지만, 그 뒤에 숨겨진 뉴런 수준의 메커니즘은 여전히 거의 탐색되지 않은 상태이다. 본 연구에서는 LLM 내 환각 관련 뉴런(H-Neurons)에 대해 세 가지 관점—식별, 행동적 영향, 기원—에서 체계적인 탐구를 수행한다. 식별 측면에서, 전체 뉴런의 0.1% 미만에 불과한 매우 희소한 뉴런 집합이 환각 발생을 신뢰성 있게 예측할 수 있음을 입증하였으며, 다양한 시나리오에 걸쳐 강력한 일반화 능력을 보였다. 행동적 영향 측면에서는 통제된 개입 실험을 통해 이러한 뉴런들이 과도한 준수 행동(over-compliance behaviors)과 인과관계가 있음을 확인하였다. 기원 측면에서는 이러한 뉴런들이 사전 훈련된 기반 모델(pre-trained base models)로 거슬러 올라가며, 사전 훈련 과정에서 이미 환각 탐지에 예측 가능성을 갖는다는 점을 발견하였다. 본 연구의 결과는 거시적 행동 패턴과 미시적 뉴런 메커니즘을 연결지으며, 보다 신뢰성 높은 LLM 개발을 위한 통찰을 제공한다.