윌슨-코언 모델을 통한 메타집단의 학습

메타인구(Metapopulation)를 위한 윌슨-코언 모델, 즉 신경 질량 네트워크 모델은 뇌의 다양한 하부피질 영역을 상호 연결된 노드로 간주하며, 이 연결은 이러한 영역 간의 다양한 유형의 구조적, 기능적 또는 효과적 신경 연결을 나타낸다. 각 영역은 흥분성 세포와 억제성 세포의 상호작용하는 인구 집단으로 구성되며, 이는 표준 윌슨-코언 모델과 일치한다. 이러한 메타인구 모델의 역학에 안정적인 아트랙터를 도입함으로써, 높은 이미지 및 텍스트 분류 정확도를 달성할 수 있는 학습 알고리즘으로 변환할 수 있다. 우리는 이 모델을 MNIST 및 패션 MNIST에 대해 합성곱 신경망과 결합하여, CIFAR-10 및 TF-FLOWERS에 대해, 그리고 BERT와 같은 트랜스포머 아키텍처와 결합하여 IMDB 데이터셋에 적용한 결과, 항상 높은 분류 정확도를 보였다. 이러한 수치적 평가 결과는 메타인구를 위한 윌슨-코언 모델에 최소한의 수정을 가하는 것만으로도 기존에 관찰되지 않았던 독특한 역학적 특성이 드러날 수 있음을 보여준다.