Command Palette
Search for a command to run...
기존 방식보다 4,200배 빠릅니다! ETH 취리히에서 인간 피질 데이터로 검증된 최초의 신경 모델링 프레임워크인 NOBLE을 제안합니다.
인간의 뇌가 수백 개의 뉴런으로 구성된 복잡한 회로를 통해 어떻게 인지 기능을 형성하는지는 생명과학 분야에서 심오하고 풀리지 않은 미스터리로 남아 있습니다. 지난 10년 동안 전기생리학, 형태학, 전사체학 분야에서 다중 모드 데이터가 축적됨에 따라 과학자들은 유전자 발현, 형태적 구조, 그리고 전기생리학적 특성 측면에서 인간 뉴런의 상당한 이질성을 점차 밝혀냈습니다. 그러나 이러한 차이가 뇌의 정보 처리에 어떤 영향을 미치는지, 예를 들어 특정 유전자 발현과 신경 질환 간의 내재적 연관성은 여전히 미해결 과제로 남아 있습니다.
전통적으로 연구자들은 신경 활동을 시뮬레이션하기 위해 3차원 다구획 편미분 방정식(PDE) 기반 모델을 사용해 왔습니다. 이러한 모델은 생물학적 사실성을 비교적 잘 재현할 수 있지만,하지만 이 방법에는 치명적인 결함이 있습니다. 계산 비용이 엄청나게 높다는 것입니다.단일 뉴런 모델을 최적화하는 데는 약 60만 CPU 코어 시간이 소요될 수 있으며, 매개변수를 조금만 변경해도 시뮬레이션 결과와 실험 데이터 간에 상당한 편차가 발생할 수 있습니다. 더 중요한 것은 이러한 결정론적 모델은 실험에서 관찰되는 "내재적 변동성"을 포착하는 데 어려움을 겪는다는 것입니다. 동일한 입력을 사용하더라도 동일한 뉴런이 서로 다른 전기생리학적 반응을 생성할 수 있습니다. 더욱이, 인위적으로 무작위성을 도입하면 비기계적 간섭이 발생하여 모델 예측의 신뢰성이 더욱 약화됩니다.
이러한 과제를 해결하기 위해 ETH 취리히, 캘리포니아 공과대학, 앨버타 대학 등의 기관으로 구성된 합동팀이...NOBLE(Neural Operator with Biologically-informed Latent Embeddings)이라는 딥러닝 프레임워크가 제안되었습니다.
이 프레임워크의 혁신은 다음과 같습니다.이는 인간 대뇌 피질의 실험 데이터를 사용하여 성능을 검증한 최초의 대규모 딥 러닝 프레임워크이며, 실험 데이터로부터 뉴런의 비선형 동적 행동을 직접 학습하는 것을 달성한 최초의 프레임워크입니다.그 핵심적 혁신은 통합된 "신경 연산자"를 구축하는 데 있습니다.각 모델에 대해 별도의 대체 시스템을 학습하지 않고도 뉴런 특징의 연속적인 잠재 공간을 전압 반응 집합에 매핑할 수 있습니다. PVALB(Pvalbumin-positive) 뉴런 데이터셋에 대한 테스트에서 NOBLE은 50개의 알려진 모델과 10개의 알려지지 않은 모델의 임계 이하 및 발화 역학을 정확하게 재현했을 뿐만 아니라, 시뮬레이션 속도도 기존 수치 해석기보다 4,200배 더 빨랐습니다.
"생물학적 뉴런 모델의 실험적 변동성을 포착하기 위한 생물학적 정보 기반 잠재 임베딩을 갖춘 신경 연산자인 NOBLE"이라는 제목의 관련 연구 결과가 NeurIPS 2025에 게재되었습니다.
서류 주소:
공식 WeChat 계정을 팔로우하고 백그라운드에서 "NOBLE"을 답글하면 전체 PDF를 받을 수 있습니다.
더 많은 AI 프런티어 논문:
https://hyper.ai/papers
데이터 세트: 60개의 HoF 모델, 250세대의 진화적 최적화, 16개의 생리적 지표를 포함합니다.
NOBLE 프레임워크의 효과를 검증하기 위해 연구팀은 인간 대뇌 피질 뉴런의 생물학적 모델 시뮬레이션 결과에서 파생된 알부민 양성(PVALB) 뉴런을 포함하는 전용 데이터 세트를 구축했습니다.이러한 모델은 NEURON 시뮬레이션 환경을 기반으로 구축되었으며 "모두 활성" 이온 채널 구성을 사용합니다.이 시스템은 실험에서 기록된 전기 생리학적 특성을 재현하는 것을 목표로 다목적 진화 최적화 프레임워크를 사용하여 생성되었습니다.
구체적으로, 데이터 세트에는 60개의 HoF 모델이 포함되어 있으며, 그 중 50개는 학습(분포 내 모델)에 사용되고 10개는 테스트를 위한 보이지 않는 모델(분포 외 모델)로 사용됩니다.아래 그림과 같이, 각 모델은 250세대의 진화적 최적화를 거쳐 각 세대의 전압 응답을 수집합니다. 그런 다음, 케이블 방정식은 공간 이산화를 통해 결합된 상미분 방정식 집합으로 변환됩니다. 마지막으로, 시뮬레이션과 실험 특성 간의 평균 z-점수 오차를 최소화하는 매개변수 조합이 선택됩니다.
데이터 생성 프로세스는 2단계 최적화 전략을 사용합니다. 먼저 수동 임계치 이하 응답을 적합시키고, 다음으로 피크 임계치 이상의 능동 동역학 및 완전한 주파수-전류 곡선을 포착합니다. 시계열 데이터는 0.02ms의 시간 간격으로 515ms 동안 샘플링되며, 3배의 시간 서브샘플링 후 8583개의 시점이 유지됩니다. 이를 통해 앨리어싱 효과를 방지하고 계산 부하를 줄일 수 있습니다.
아래 그림과 같이 전압 변화 곡선 외에도,이 데이터 세트에는 16가지 주요 "생리적 지표"에 대한 주석도 포함되어 있습니다.이 데이터 세트는 디스플레이 패턴(첫 번째 행), 실험 전압 트레이스(두 번째 행), 시뮬레이션 전압 트레이스(세 번째 행), 스파이크 파형(네 번째 행), 그리고 주파수-전류 곡선(다섯 번째 행)을 포함하여 AI 모델 평가를 위한 포괄적인 기준을 제공합니다. 이러한 설계를 통해 데이터 세트는 AI가 뉴런 반응을 예측하도록 훈련하고 예측 품질을 평가할 수 있도록 하여 "학습, 훈련, 테스트"에 대한 통합적인 접근 방식을 구현합니다.
NOBLE: FNO로 구동되고 듀얼 입력 임베딩을 갖춘 신경망 연산자 프레임워크입니다.
NOBLE 프레임워크의 핵심 혁신은 생물정보학의 잠재적 임베딩 기술과 신경 연산자를 긴밀하게 통합한 데 있습니다.신경 특징에서 전압 반응까지의 종단 간 매핑 시스템이 구축되었으며, 이는 비유적으로 "신경 신호 변환기"라고 불릴 수 있습니다. 이 프레임워크는 푸리에 신경 연산자(FNO)를 기본 아키텍처로 사용하며, 신경 전기생리학의 시공간 시퀀스 데이터를 효율적으로 처리할 수 있다는 장점이 있습니다. FNO는 오디오 신호 처리에서 아이디어를 차용하여 고속 푸리에 변환을 통해 주파수 영역에서 등거리 샘플링된 전기생리학 신호를 분석함으로써 신경 역학 연구에 특화된 계산 도구가 되었습니다.
이 모델의 "번역" 기능은 뉴런 기능 임베딩과 전류 주입 임베딩이라는 두 가지 주요 입력 임베딩 디자인에서 비롯됩니다.
전자는 생물학적으로 해석 가능한 두 가지 지표인 역치 전류(Ithr)와 국소 기울기(sthr)를 핵심 특징으로 선택합니다. 이 특징들은 먼저 [0.5, 3.5]² 간격으로 정규화된 후, NeRF 스타일의 삼각 함수 인코딩을 사용하여 시계열 스택으로 변환됩니다. 이는 본질적으로 모델에 뉴런에 대한 "하드웨어 매개변수 매뉴얼"을 제공하여 뉴런의 주요 전기생리학적 특성을 명확하게 정의합니다. 후자는 입력 전류 여기 매개변수에 해당하는 K=9 다중 주파수 인코딩 전략을 사용합니다. 아래 그림에서 볼 수 있듯이, 두 세트의 내장된 스택 입력 채널은 저차원 특징을 FNO의 주파수 영역 처리 방식에 효과적으로 정렬하여 신경 신호의 고주파 역학을 포착하는 모델의 능력을 크게 향상시킵니다.
네트워크 구조 측면에서 NOBLE은 12개의 은닉층으로 구성되어 있습니다.각 계층은 24개의 채널을 가지고 256개의 푸리에 모드를 사용하여 약 180만 개의 모델 매개변수를 생성하는데, 이는 동일한 규모의 시뮬레이션된 신경망 연결을 구성하는 것과 같습니다. 학습 과정은 "개인화된 학습" 전략을 채택합니다. 초기 학습률 0.004의 Adam 옵티마이저와 ReduceLROnPlateau 스케줄링 전략을 결합하고, 상대 L4 오차를 손실 함수로 사용하여 모델은 기본 원리를 빠르게 파악하고 학습 병목 현상이 발생할 때 학습 속도를 자동으로 조정할 수 있습니다. 기존 방식과 달리 NOBLE은 각 뉴런에 대해 별도의 대리 모델을 학습할 필요가 없습니다. 대신, 단일 신경 연산자를 통해 전체 뉴런 모델 공간을 연속적으로 매핑합니다. 이를 통해 잠재 공간 보간을 통해 생물학적 사실성을 갖춘 새로운 신경 반응을 생성할 수 있습니다.
또한, NOBLE은 "특정 세분화"를 위한 유연한 확장성을 제공하여 특정 전기생리학적 특성에 대한 물리적 정보를 활용한 미세 조정을 지원합니다. 가중 합성 손실 함수 L(λ)를 도입함으로써, 목표 특징(예: 처짐 진폭)에 더 높은 가중치를 부여하여 전체 예측 성능에 영향을 미치지 않으면서 주요 지표의 모델링 정확도를 정확하게 향상시킬 수 있습니다.
NOBLE은 다양한 신경 역학을 정확하게 포착하며, 기존 솔버보다 4,200배 빠릅니다.
NOBLE 프레임워크의 전반적인 성과를 체계적으로 평가하려면연구팀은 기본 정확도, 일반화 능력, 계산 효율성, 혁신 창출 능력, 핵심 모듈의 효과 검증 등 5가지 핵심 방향을 중심으로 다차원 실험을 설계했습니다.실험에서는 알부민 양성(PVALB) 뉴런의 HoF 모델 50개를 주요 훈련 데이터로 사용했으며, 모델 예측 정확도는 상대적 L2 오차와 몇 가지 주요 전기 생리학적 지표를 통해 정량화되었습니다.
기본 정확도(분포 내 테스트)에 관하여,NOBLE은 훈련되지 않은 전류 주입 신호에 대해서도 여전히 탁월한 예측 능력을 보여주며, 상대 L2 오차는 2.18%로 매우 낮습니다. 또한, 아래 그림에서 볼 수 있듯이, 연구진은 0.1nA 및 -0.11nA 전류 주입 시 실험 데이터, PDE 시뮬레이션, 그리고 NOBLE 예측 간의 전압 궤적을 추가로 비교했습니다. 그 결과, PDE 시뮬레이션은 실험 기록과 매우 일치하며, NOBLE 예측과 PDE 시뮬레이션 간의 차이는 미미했습니다. 이는 NOBLE이 수치 해석 솔버의 정확도를 재현하고 주요 생리 역학을 안정적으로 포착함을 시사합니다.
일반화 능력 평가(분포외 검사)에서는NOBLE은 10개의 미확인 HoF 모델을 사용했을 때에도 높은 예측 정확도를 유지했습니다. 연구팀은 이를 혈관활성 장 펩타이드(VIP) 인터뉴런 데이터에 적용하여 유사하게 안정적인 결과를 얻었습니다. 이는 NOBLE이 단순히 훈련 세트의 특징을 기억하는 것이 아니라, 다양한 세포 유형에 걸친 전기생리학적 법칙을 정확하게 파악함을 시사합니다.
계산 효율성 측면에서NOBLE은 획기적인 속도 우위를 보여줍니다. 테스트 결과, NOBLE은 단일 전압 궤적을 단 0.5밀리초 만에 예측할 수 있는 반면, 기존 수치 해석기는 동일한 시뮬레이션을 완료하는 데 2.1초가 소요되어 약 4,200배의 속도 향상을 보였습니다. 이러한 효율성 향상은 수백만 개의 뉴런으로 구성된 신경망의 미래 실시간 시뮬레이션을 위한 기반을 마련하여 뇌 전체 규모의 모델링을 계산적으로 가능하게 합니다.
혁신 창출 역량 측면에서연구팀은 알려진 신경 특징들 사이에서 새로운 신경 모델을 "보간하고 생성하는" NOBLE의 잠재력을 검증하는 데 집중했습니다. (Ithr, sthr)로 구성된 잠재 공간에서 50개의 지점을 무작위로 보간함으로써, NOBLE은 해당 전압 응답 궤적을 성공적으로 생성했으며, 그 결과는 실제 실험 기록과 매우 일치하여 생물학적 사실성을 입증했습니다. 이와 대조적으로, 편미분 방정식의 매개변수를 직접 보간하는 기존 방법은 상당한 비생리적 아티팩트를 생성하여 소위 "신경 모델 괴물"을 생성합니다. 이러한 비교는 NOBLE이 단순히 데이터 피팅을 수행하는 것이 아니라 신경 세포의 근본적인 생물물리학적 법칙을 학습했음을 보여줍니다. 앙상블 예측 실험을 통한 추가 검증 결과, 50개의 훈련된 모델을 기반으로 한 병렬 추론을 통해 생성된 전압 분포가 수치 시뮬레이션 결과와 매우 일치했으며, 샘플링 지점을 200개로 확장한 경우에도 생성된 모델은 생물학적 타당성을 유지했습니다.
통제된 변수를 사용한 실험 결과, 뉴런 특징 인코딩을 제거한 후 예측 오류가 2%에서 12%로 급증하는 것으로 나타났으며, 이는 이 생물정보학 임베딩이 프레임워크의 "핵심 엔진"임을 증명합니다.
GitHub 링크: github.com/neuraloperator/noble
신경 연산자의 학문적 혁신과 산업적 응용은 서로 공명합니다.
신경 연산자와 신경 모델링의 교차 통합은 학계와 산업계에서 깊은 반향을 일으키고 있으며, 뇌 과학 연구를 이론적 탐구에서 산업적 응용으로 끌어올리고 있습니다.
학계의 최전선에서, ETH 취리히와 카네기 멜론 대학이 공동으로 제안한 기하 인식 연산자 변환 프레임워크(GAOT)는 다중 스케일 주의 메커니즘과 기하학적 임베딩 기술을 활용합니다.복잡한 기하학적 도메인을 모델링하는 데 있어 발생하는 병목 현상을 해소합니다.이 프레임워크는 최초로 900만 개의 산업용 데이터 노드에서 전체 해상도 학습을 달성했으며, 28개의 편미분 방정식에 대한 벤치마크 테스트에서 탁월한 성능을 보였습니다. 동시에 학습 처리량을 50%만큼 향상시키고 추론 지연 시간을 15%~30%까지 줄여 불규칙한 신경 회로의 정확한 시뮬레이션을 가능하게 합니다.
논문 제목: 임의 도메인의 PDE를 위한 효율적이고 정확한 신경 대리자로서의 기하학 인식 연산자 변환기
논문 링크:https://arxiv.org/abs/2505.18781
한편, MIT의 "miBrain" 모델은 신경 개체 구성에 있어 상당한 진전을 이루었습니다.이 3차원 플랫폼은 인간 뇌의 6가지 주요 세포 유형을 통합했습니다.생체모방 하이드로젤을 사용하여 신경혈관 단위의 기능을 성공적으로 재현하였고, 유전자 편집을 통해 알츠하이머병에서 신경교세포의 상승작용적 역할을 밝혀내어 신경 조작자에게 생리학적으로 더욱 현실적인 검증 환경을 제공했습니다.
논문 제목: 3D 면역-신경교-신경혈관 인간 miBrain 모델 설계
논문 링크:https://doi.org/10.1073/pnas.2511596122
반면, 업계는 엔지니어링과 학문적 성과의 적용에 전념하고 있습니다. NVIDIA의 오픈소스 프레임워크인 Modulus와 PhysicsNeMo가 이를 잘 보여줍니다.이는 생명 과학부터 엔지니어링 시뮬레이션까지 다양한 분야에 걸친 응용 프로그램을 지원하여 신경 연산자의 실용적 적용을 위한 핵심 기반을 구축합니다.5,000만 개의 노드로 구성된 그리드로 대규모 교육을 달성할 수 있으며, 많은 산업 회사에서 디지털 트윈을 구축하는 데 사용되었습니다.
의료 응용 분야에서는 혁신적인 기업들이 신경 조작 기술을 임상적 요구에 깊이 통합하고 있습니다. 볼링 뇌-컴퓨터 인터페이스(Boling Brain-Computer Interface)와 저장대학교(Zhejiang University)가 공동 개발한 상지 외골격 재활 시스템은 신경 신호 분석 알고리즘을 최적화하여 운동 명령 생성의 정확도를 향상시켰습니다. 이 시스템은 이미 다기관 임상시험에서 뇌졸중 편마비 환자들이 기본적인 자가 관리 능력을 회복하는 데 도움을 주었습니다.
학계와 산업계의 이러한 협력적 혁신은 "기초 연구 - 기술 혁신 - 산업 응용"이라는 완전한 폐쇄 루프 형성을 가속화했습니다. 핵심적인 의의는 추상적인 연산자 이론과 구체적인 뉴런 모델의 유기적인 결합에 있습니다. 이는 신경 시뮬레이션의 계산 효율성과 생리학적 사실성을 향상시킬 뿐만 아니라 엔지니어링 응용 분야의 경계를 확장합니다.
참조 링크:
1.https://mp.weixin.qq.com/s/HWi9wNK3idpUSXCVN_nIZQ
2.https://mp.weixin.qq.com/s/YbqtmO0eU8Fn2Y-oRdBdWQ
3.https://mp.weixin.qq.com/s/UIi30fX81Xeh5dqBPxzMPQ