세계 최초! 복단대학교 펑젠펑 연구팀은 860억 개의 뉴런을 갖춘 디지털 트윈 뇌 플랫폼을 개발했습니다.

인간의 뇌는 자연에서 가장 복잡하고 신비로운 정보 처리 시스템 중 하나입니다. 무게는 약 1.4kg에 불과해 인체 무게의 2%에 불과하지만, 인체의 산소와 혈액 중 약 20%를 기적적으로 소모합니다.이 정교한 네트워크에서는 약 860억 개의 뉴런이 서로 얽혀 100조 개가 넘는 시냅스 연결을 형성하여 복잡한 정보 전송 및 처리 시스템을 구성합니다.인간에게 생각하고, 느끼고, 기억하고, 배우고, 창조하고, 행동하는 능력을 부여하는 것은 바로 이 시스템이며, 이를 통해 다양한 성격, 특성, 행동이 만들어집니다.

인간 뇌의 신비를 풀기 위해 전 세계 국가들은 계산 신경 과학 기술을 사용하여 뇌 과학 연구를 진행하고 있습니다. 특히 디지털 트윈 브레인의 등장으로 이 문제를 해결하는 새로운 관점과 방법이 제공됩니다. 이 기술은 디지털 트윈 기술을 활용하고 이를 바탕으로 역공학 기술을 통해 생물학적 뇌의 디지털 사본을 구축하고 뇌의 정보 처리 및 신경 코딩 원리를 '디코딩'합니다. 이를 통해 구조적 뇌 시뮬레이션에서 기능적 뇌 시뮬레이션까지 획기적인 발전을 이룰 수 있습니다.

최근, 복단대학교 뇌모사 지능과학기술연구소의 펑젠펑 교수 연구팀은 860억 개의 뉴런과 1조 개의 시냅스를 갖춘 데이터 동화 방법을 기반으로 개발된 세계 최초의 전체 인간 뇌 규모 뇌 시뮬레이션 플랫폼인 디지털 트윈 뇌(DTB) 플랫폼을 출시했습니다.연구 결과에 따르면 디지털 트윈 뇌가 규모와 구조 면에서 인간의 뇌에 가까울수록 점진적으로 인간 뇌에서 관찰되는 중요한 현상과 유사한 인지 기능을 나타낼 가능성이 높습니다.

이 연구는 "뇌 컴퓨팅과 유사한 것을 통해 인간 뇌의 휴식 상태와 작업 수행 상태를 모방하고 탐구: 확장 및 아키텍처"라는 제목으로 국제적으로 유명한 학술지인 National Science Review(NSR)에 게재되었습니다.본 논문은 NSR의 특별호 "인간의 뇌 컴퓨팅과 뇌와 유사한 지능"의 표지 논문으로도 게재되었습니다.

연구 하이라이트:

* 이 연구는 디지털 트윈 뇌에 대한 정량적 프레임워크를 제공하는데, 이를 통해 뇌의 구조와 기능 간의 관계를 발견하고 다양한 인지적, 의학적, 부상적 접근 방식을 디지털 방식으로 시뮬레이션하고 연구할 수 있습니다.

* 이 연구에서는 최대 200억 개의 뉴런을 포함하는 뇌 전체의 스파이크 신경망과 규모와 다중 모드 구조적 제약 측면에서 독특한 데이터 제한 구조를 확립했습니다.

* 이 연구에서는 데이터 동화 방법을 사용하여 휴식 상태와 이동 상태에서 BOLD 신호를 맞춤으로써 "대규모" 모델을 추정하는 데 있어 그 효과를 입증했습니다.

서류 주소:
https://doi.org/10.1093/nsr/nwae080

오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.

https://github.com/hyperai/awesome-ai4s

생물학적 데이터 수집 및 전처리: 다중 모드 신경 영상 데이터를 DTB 모델에 통합

이 연구에서는 3 테슬라 MRI 기술을 사용하여 단일 피험자에 대한 포괄적인 다중 모드 MRI 스캔을 실시했습니다.

먼저, 이 연구에서는 빠른 경사 에코 시퀀스를 사용하여 고해상도 T1 가중 영상(T1w)을 포착했습니다. 이후 연구에서는 경사 에코 평면 영상(EPI) 시퀀스를 사용하여 다중 쉘 확산 강조 영상(DWI)과 기능적 자기공명영상(fMRI) 데이터를 수집했습니다. 이러한 데이터는 각각 회백질의 폭셀 기반 형태(VBM), 구조적 연결성 및 혈중 산소 수준 의존(BOLD) 신호를 분석하는 데 사용되었습니다.

데이터 전처리 단계에서 이 연구는 다중 모드 신경 영상 데이터를 동적 토폴로지 기반 모델(DTB)에 효율적으로 통합하는 것을 목표로 세부적인 데이터 정리 프로세스를 수행했습니다. 궁극적으로 이 연구는 16,043개의 폭셀로 구성된 피질-피질하 모델을 구축하여 뇌의 구조와 기능을 더 깊이 이해할 수 있는 새로운 관점을 제공했습니다.

DTB 모델은 최대 200억 개의 뉴런을 샘플링하여 16,043개의 폭셀과 374개의 영역을 포괄합니다.

DTB 프로세스에 따른 신경망 모델은 뉴런 수와 시냅스 연결성을 유연하게 조절할 수 있습니다.아래 그림 A에서 보듯이, 폭셀 뉴런의 수는 VBM 회백질 부피에 비례하고, 시냅스 밀도는 PET SV2A 데이터에 비례하며, 흥분성 시냅스 연결의 수는 일반적으로 DWI 추적 밀도에 비례합니다. 특히, 각 피질 폭셀은 L2/3에서 L6까지 계층적 구조를 시뮬레이션하며, 각 층의 뉴런은 시냅스를 통해 연결됩니다. 아래 그림 B에서 볼 수 있듯이, 이 모델은 최대 200억 개의 뉴런을 샘플링하여 16,043개의 폭셀과 374개의 영역을 포괄할 수 있습니다.

위의 그림 C에서 보인 것처럼, 이 모델의 뉴런은 LIF 모델로 표현되고, 배경 전류는 Ornstein-Uhlenbeck(OU) 프로세스에 의해 구동되며, 시뮬레이션된 BOLD 신호는 Balloon-Windkessel 모델을 사용하여 얻어집니다. 일부 영역에서는 뉴런에 감마 분포 외부 전류를 주입한 다음, 추정된 초매개변수에서 기록된 신호를 기반으로 하는 Vw-dHMDA 방법을 사용하여 휴식 상태와 작업 수행 중인 동일한 피험자로부터 실험적 BOLD 신호를 수집했습니다. 마지막으로, 이 통계적 추론의 성능은 시뮬레이션된 출력을 BOLD 신호의 시간 경과 유사성과 영역 간의 기능적 연결성과 비교하여 평가할 수 있습니다.

휴식 상태의 스케일링을 조사하기 위해, 우리는 먼저 시상 영역의 정적 BOLD 신호를 맞춰 휴식 상태 피질-피질하 모델을 동화시키고, 이 모델이 생물학적 데이터와 얼마나 유사한지 측정했습니다.

아래 그림 A에서 볼 수 있듯이, 시상의 모든 폭셀에 걸쳐 시뮬레이션된 BOLD 신호와 실험된 BOLD 신호 사이의 평균 피어슨 상관 계수(PCC)는 각각 0.977(왼쪽)과 0.981(오른쪽)입니다. 그런 다음 동화된 모델과 실제 뇌 폭셀 정적 BOLD 신호 간의 PCC를 계산하고 동화된 모델과 생물학적 대응물 간의 유사성을 측정했습니다. 또한 동화된 모델과 생물학적 정적 BOLD 신호의 프로베니우스 규범(F-규범)을 측정하여 계산한 지역 기능적 연결성(FC) 행렬의 유사성을 측정했습니다.

이런 방식으로 본 연구에서 구축한 피질-피질하 모델은 평균 시냅스 연결성이 100인 200억 개의 뉴런을 포함하고 있으며, 이는 휴식 상태의 fMRI 데이터와 상당히 유사합니다. 아래 그림 B에서 볼 수 있듯이 모든 폭셀의 BOLD 신호의 평균 PCC는 0.624입니다. 아래 그림 C에서 볼 수 있듯이, 시뮬레이션된 FC 행렬과 실제 FC 행렬의 PCC는 0.551이고, F-norm 거리는 0.271입니다.

디지털 트윈 뇌가 규모와 연결성 측면에서 실제 뇌와 더 유사할수록

본 연구에서는 뉴런 수와 평균 시냅스 연결성이 모델과 생물학적 데이터 간의 유사성에 미치는 영향을 분석했습니다.결과는 아래 그림 D에 나타나 있습니다. 평균 시냅스 연결성이 100일 때 뉴런의 수가 증가함에 따라 통합된 정적 BOLD 신호와 생물학적 데이터 간의 유사성이 증가하고, FC 행렬 간의 일관성이 증가하고, F-norm 거리가 감소합니다.

아래 그림 F에서 보듯이 뉴런의 수가 100억 개일 때 시뮬레이션된 생물학적 정적 BOLD 신호의 PCC는 먼저 증가한 후 평균 시냅스 연결성이 증가하고 FC 행렬의 PCC가 증가하며 F-norm 거리가 감소함에 따라 안정화됩니다.

아래 그림 E에서 보듯이 붕괴 임계성 분석 결과, 뉴런 수가 50억 개로 늘어나면 시뮬레이션된 정적 BOLD 신호가 임계점에 더 가까워지고 붕괴 지속 시간과 크기는 거듭제곱 분포를 따릅니다.

척도 외에도 계산 모델의 또 다른 중요한 특징은 DWI 기반 신경 해부학에 의존한다는 것입니다.이러한 종속성의 영향을 보여주기 위해 이 연구에서는 신경망에 대한 재배선 과정을 수행하여 뉴런 수를 10억 개, 평균 시냅스 연결성을 100으로 설정하고 확률 P로 로컬 이웃과의 연결을 무작위로 선택했습니다.

아래 그림 A에 표시된 것처럼 P 값을 0에서 1까지 변화시키면 인공적인 폭셀 수준 아키텍처가 원래 DWI 데이터를 기반으로 하는 아키텍처에서 k-최근접 이웃 알고리즘으로 점차 변경됩니다. 그림 B에서 보듯이, 폭셀 수준의 BOLD 시간 경과와 모델과 생물학적 데이터 간의 FC 행렬 상관관계는 P가 증가함에 따라 감소하는 반면, 모델과 생물학적 데이터 간의 FC 행렬의 F-norm 거리는 P가 증가함에 따라 증가합니다. 따라서 휴식 상태에서 이러한 재배선은 모델과 실제 뇌 간의 유사성을 파괴합니다.

아래 그림 C에 표시된 것처럼 휴식 상태에 대한 내재 감각 회로의 영향을 더 자세히 조사하기 위해 이 연구에서는 해마, 섬엽, ACC, vmPFC/sgACC 및 시상을 내재 감각 "입력" 영역으로 사용하여 해당 폭셀 수준의 BOLD 신호에 맞추었습니다. 결과는 아래 그림 D에 나타나 있습니다. 이 연구에서는 2표본 t-검정을 사용하여 동화된 정적 BOLD 신호와 생물학적 데이터 간의 유사성이 내수용 영역을 입력으로 사용했을 때 상당히 향상된다는 것을 발견했습니다.

아래 그림 E에 표시된 것처럼, 이 연구에서는 현재 동화 하이퍼매개변수의 시계열을 입력하여 5가지 평균 활동을 계산했는데, 가장 높은 스펙트럼 피크는 0.02~0.025Hz이고, 약 0.02~0.08Hz에서 여러 개의 낮은 피크가 나타났습니다. 아래 그림 F에서 볼 수 있듯이, 이 연구에서는 평균 전류 초매개변수 시퀀스에 대한 조건부 Granger 인과관계 분석을 수행한 결과, 시상에서 ACC, 시상에서 섬엽, vmPFC/sgACC에서 ACC, 시상에서 해마 사이에 비교적 강한 인과관계가 있음을 발견했습니다.

동화 모델과 생물학적 대응물 간의 유사성에 대한 신경 및 시냅스 척도의 영향을 분석하기 위해 우리는 먼저 감각 "입력" 영역인 1차 청각 피질(A1)의 폭셀의 BOLD 신호를 맞춘 다음이 영역의 뉴런이 받는 입력 전류의 감마 분포의 하이퍼 매개변수를 추정하여 동화 모델을 확립합니다.

아래 그림 AC에서 볼 수 있듯이, 이 모델은 평균 접근도가 100인 200억 개의 뉴런을 포함합니다. 동화된 BOLD 신호와 생물학적 BOLD 신호 사이의 모든 폭셀에 걸친 평균 PCC는 0.570이었고, 예측된 수치와 실험적으로 평가된 수치 사이의 상관관계는 유의미했습니다.

아래 그림 DE에서처럼 뉴런 수와 평균 시냅스 연결성이 다른 신경망 모델을 연구했을 때, 시뮬레이션된 신호와 생물학적 데이터 간의 유사성은 뉴런 수와 평균 시냅스 연결성이 증가함에 따라 증가하는 것을 발견했습니다. 정적 모델과 유사한 재연결 중단을 수행할 때, 모델 예측과 생물학적 대응물 간의 상관관계와 폭셀 수준의 BOLD 시간 경과가 P가 증가함에 따라 증가하는 것을 발견했습니다.

피질-피질하 모델은 또한 특정 "디지털 손상" 작업에 대한 새로운 가능성을 열어줍니다.아래 그림 A에서 볼 수 있듯이, 이 연구에서는 등쪽과 복쪽 시각 경로에서 기본 시각 경로로 가는 1차 시각 영역(V1)의 시냅스 연결을 제거했습니다. 이 연구에서는 이러한 조작이 피질-피질하 영역의 생물학적 데이터와 모델의 유사성에 영향을 미치지 않는 것으로 나타났으며, 이는 아래 그림 B에서 볼 수 있듯이 해마의 기억과 학습 기능에 시각 경로가 중요하다는 것을 확인시켜 줍니다. 아래 그림 C에서 보듯이 V1에서 등쪽이나 배쪽 경로로의 연결이 제거되었을 때, 이 조작으로 해마 BOLD 신호와 생물학적 데이터의 상관관계가 크게 감소했습니다. 이와 대조적으로, V1에서 운동 영역으로의 연결을 제거하면 해마에 미치는 영향이 적었습니다.

풍건풍은 40년 동안 수학적 방법을 사용하여 뇌 과학을 연구해 왔습니다.

펑젠펑은 푸단대학교 뇌유사 지능과학기술연구소의 초대 원장이며, 푸단대학교 상하이수학센터의 수석교수이자 빅데이터학원의 원장이기도 합니다.그는 뇌 과학 분야에서 큰 업적을 이루었지만, 펑젠펑이 본래 수학과 출신이라는 점은 놀랍습니다. 이 학과가 그의 이후 연구 경로의 기초를 마련해 주었습니다.

1981년, 펑젠펑은 베이징대학 수학과에 입학했습니다. 풍건풍은 처음에는 수학 연구에 대한 높은 이상을 품고 있었지만, 곧 응용수학 분야에 매력을 느꼈습니다. 풍지안펑은 2학년 때부터 생물학과에서 수업을 청강하기 시작했습니다. 그 이후로 풍건풍은 수학적 방법을 사용하여 뇌과학을 연구하는 것을 고집했습니다. 박사학위 논문을 쓸 당시 그는 이미 확률 과정 이론을 신경망 연구에 적용하기 시작했습니다.

펑젠펑은 2008년 푸단대학에 공식 합류한 후 2015년 뇌유래지능과학기술연구소의 초대 원장으로 임명되었습니다. 펑젠펑은 지난 10년 동안 뇌의 신비를 풀기 위해 끊임없이 노력해 왔습니다. 그는 신경 컴퓨팅의 체계적 개발에 대한 수학적 이론을 사용하여 최적의 확률적 제어 문제를 해결했으며 국제 생물정보학 분야에서 널리 알려진 전문가가 되었습니다.

2018년, 펑 지안펑의 팀은 7,000만 개의 스파이크 뉴런으로 구성된 디지털 두뇌를 처음으로 만들었습니다. 연구팀은 수학적 알고리즘을 통해 인간 뇌의 수천억 개 뉴런 기능에 대한 상세한 계산 시뮬레이션을 달성했습니다.계산 시뮬레이션을 통해 우리는 뇌의 지각, 학습 및 기억, 감정적 의사결정, 정보 처리의 작동 메커니즘을 더욱 자세히 분석할 수 있으며, 이를 통해 인공지능 분야에서 독창적인 혁신을 이룰 수 있는 실험적, 이론적 기반을 제공할 수 있습니다. 2021년 말까지 디지털 뇌는 실제 인간의 뇌와 같은 수의 뉴런을 갖게 될 것입니다. 놀랍게도 이 디지털 두뇌의 원형은 바로 펑젠펑 자신이다.

이는 과학 연구에 대한 대담한 탐구 정신과 계산 정신의학 및 디지털 트윈 뇌 분야에서의 뛰어난 업적을 바탕으로 합니다.Jianfeng Feng은 2023 Humboldt Research Award를 수상했습니다.이 상은 기초 연구, 이론적 혁신, 학문적 리더십 분야에서 뛰어난 성과를 거두고 앞으로도 최첨단 성과를 낼 것으로 기대되는 뛰어난 학자들에게 특별히 수여됩니다. 매년 수상자 수는 100명을 넘지 않습니다.

펑젠펑의 리더십 하에, 복단대학 뇌유사 지능과학기술연구소는 현재 인지신경과학, 계산시스템생물학, 인공지능 알고리즘, 전뇌 컴퓨팅 분야의 여러 연구팀을 포함하여 120명의 교수진을 보유하고 있습니다.그는 Nature Medicine, Nature Human Behavior 등 유명 저널에 제1저자 또는 교신저자로 100여 편의 논문을 발표했습니다. 그의 업적은 "2023년 중국의 중요한 의학 발전"에 선정되었습니다. 그는 제네바 국제 발명 전시회 은상, 세계 인공지능 컨퍼런스 SAIL상 등 국내외에서 다수의 상을 수상했습니다. 그는 "뇌와 지능 과학의 젊은 학자 연합"을 설립하는 데 앞장섰습니다.

현재,복단대학 뇌모사 지능과학기술연구소는 장강 국제뇌영상센터와 장강 국제뇌은행이라는 두 개의 최첨단 실험기술 플랫폼을 활용하여 수학, 뇌과학, 인공지능 등의 핵심 분야에서 학제간 과학연구에 집중하고 있습니다.앞으로도 본 연구소는 세계 뇌과학 및 뇌유사연구의 선두에 서서, "최초의 뇌유사지능" 개발을 촉진하는 데 힘쓰고, 이 분야의 진보를 위해 끊임없이 지혜와 힘을 기여할 것입니다.