AI라면 다음에 무엇을 시도해 보자고 할까?

연구실은 경외감을 포함한 정서 신경과학을 활발히 연구하고 있다. 해석 가능한 EEG 파운데이션 모델은 복잡한 모델 예측과 감정에 대한 생리학적으로 의미 있는 통찰력 사이의 간극을 메울 수 있다.

정서 EEG 데이터셋(예: 음악/비디오로 유발된 감정)으로 EEG 파운데이션 모델을 훈련한다. EEG-PRISM을 적용하여 시간-채널 귀인 점수를 주파수 영역 전력 변화로 변환한 다음, 이러한 변화를 통계적 측정값을 사용하여 자가 보고된 정서 상태 평가(가치/각성)와 상관시킨다.

연구실은 이미 멀티모달 유전체학 및 커넥토믹스 작업을 하고 있다. 에이전트 AI는 방대하고 복잡한 데이터셋을 통합하여 미묘하고 명확하지 않은 패턴을 식별하고 개인 맞춤 의학을 위한 가설 생성을 가속화할 수 있다.

구조적 및 기능적 커넥톰 데이터(예: ENIGMA-OCD 또는 ABCD), 다유전자 점수, 임상 표현형에 접근할 수 있는 에이전트 AI를 훈련한다. 신경과학자 패널을 사용하여 생성된 가설의 참신성과 타당성 지표를 전문가가 선별한 가설과 비교하여 평가한다.

EEG-JEPA의 구조화된 예측을 동적 커넥토믹스에 적용하면, fMRI 파운데이션 모델 및 PRS 연관 연구에 새 통찰을 제공할 것이다.

ABCD fMRI 동적 커넥톰에 N-MET 유사 마스킹을 적용한 JEPA 모델을 훈련하고, 학습된 잠재 공간이 PRS 및 정신 병리 예측에 얼마나 유용한지 평가한다.

EEG-PRISM은 모델 작동을 생리학적으로 이해하는 새 길을 연다. 우리 연구실의 EEG 파운데이션 모델의 임상 적용을 가속화할 수 있다.

DIVER-0 어텐션 맵을 EEG-PRISM으로 주파수/소스 공간으로 변환 후, 전문가 평가 및 통계 지표로 생리학적 일치도를 검증한다.

EEG-PRIME은 일반화 문제를 다루며, 우리 연구실의 QML 전문성으로 프로토타입 표현력을 극대화할 수 있다. QML의 실질적 이점을 보여줄 기회이다.

공개 EEG 데이터셋으로 양자 특징 맵을 적용한 Q-ProtoEEG 모델을 구축하고, 기존 EEG-PRIME 및 비-양자 모델과 교차 데이터셋/피험자 분류 정확도를 비교 평가한다.

BLPM과 EEG-JEPA는 의미·상태 예측을 가능하게 한다. 연구실의 기억 재구성과 latent causal discovery를 결합하면 그럴듯한 생성을 검증 가능한 인과 조절로 바꿀 수 있다.

기존 affect-context memory EEG와 자극 설명으로 CELP+N-MET encoder 및 causal latent head를 학습한다. Recall@10, affect CCC, intervention specificity를 기존 생성 모델과 비교한다.

ZIPBrain은 local deployment를 돕지만 SW-ProxyCE는 새 공격면을 드러냈다. 둘을 함께 검증하면 연구실의 trustworthy clinical AI를 예측 신뢰성에서 보안으로 확장할 수 있다.

DIVER-0에 ZIPBrain pooling을 넣고 TUAB EEG와 public encoder 기반 SW-ProxyCE 예제로 학습한다. private head에서 CPU latency, MACs, balanced accuracy, 공격 성공률을 측정한다.

EEG-PRIME은 조건부 prototype이 전이를 높일 가능성을 보였다. 연구실의 발달 유전체와 foundation model 역량으로 이를 genotype–fMRI 정렬에 확장할 수 있다.

ABCD genotype·resting fMRI·역경·우울 증상에 NeuroMamba와 PRS-conditioned prototype head를 적용한다. held-out-site R², calibration error, bootstrap prototype ARI를 측정한다.

연구실의 art-science와 EEG 재구성 연구는 뇌 활동과 미적 경험의 관계를 다뤄왔다. 복잡한 시계열에 강한 QRC를 쓰면 예술 영역에 특화된 연속적 의미 정렬을 시도할 수 있다.

추상 예술·음악 감상 중 EEG를 기록하고, 자극에서 CLIP·오디오 임베딩을 추출한다. EEG로 그 임베딩을 예측하는 QRC를 학습해 cosine similarity로 고전 reservoir·RNN과 비교한다.

연구실은 EEG 기반 기억 재구성과 인터랙티브 미디어 작업을 이어 왔지만, 지금의 파운데이션 모델은 연산 부담이 커 실시간 상호작용이 어렵다. ZIPBrain의 토큰 풀링과 저주파 편향 보정 연구가 바로 그 지점을 겨냥한다.

ZIPBrain의 중복 인지 토큰 풀링을 기존 EEG 기반 오디오·비주얼 생성 파이프라인에 넣고 인코더에 저주파 편향 보정을 적용한 뒤, 저전력 엣지 장치에서 생성 품질·지연·자원 사용량을 원래 파이프라인과 비교한다.

연구실은 computational psychiatry와 multimodal genetics로 정신건강 궤적 예측을 연구해왔다. 고차원·비선형 관계에 강한 QML은 polygenic score와 connectome 데이터를 통합한 인과 추론에 적합하다.

청소년 우울 연구에 쓴 PRS·백질 tractography·환경 역경·종단 우울 점수 데이터로 양자 강화 인과 발견 모델을 학습한다. 도출된 인과 그래프와 예측 정확도를 고전 latent-space 방법과 비교한다.

Neuro-X 프로젝트는 마음의 보편 언어를 해독하려 하고, Mind the Gap은 뇌와 언어모델 정렬에 비선형·멀티모달 접근이 필요하다고 짚는다. 여기에 연구실의 계산정신의학과 멀티모달 유전체 강점을 얹을 수 있다.

ABCD처럼 정신과적 평가가 함께 있는 코호트에서 NeuroMamba 등 사전학습 모델을 잠재 인코더로 쓰고, 임상 언어모델 임베딩과 정렬하는 모듈을 학습시킨 뒤 우울 심각도 등 임상 점수 예측과 뇌 상태 텍스트 요약을 평가한다.

연구실은 고차원 뇌 데이터를 위한 QML(Q-DIVER, HQTCN)과 EEG 파운데이션 모델 양쪽에 강점이 있다. EEG-PRISM과 EEG-JEPA가 연 해석 가능성의 길을 여기에 붙이면 신뢰할 만한 임상 AI로 이어질 수 있다.

EEG-JEPA 또는 EEG-PRIME 구조에서 고전적 어텐션이나 잠재 공간 요소 하나를 매개변수화 양자 회로로 바꾸고, EEG-PRISM의 주파수/소스 매핑으로 귀인 맵의 생리학적 타당성과 피험자 간 정확도를 고전 기준선과 비교한다.

STEAM, EEG-PRISM 같은 최신 EEG foundation model은 시공간 정렬과 해석 가능성을 요구한다. QML과 state-space 모델 양쪽에 강한 연구실이 시도하기에 적기다.

STEAM류 아키텍처에 parameterized quantum circuit 정렬 모듈을 넣어 PhysioNet motor-imagery EEG로 학습한다. 피험자 간 정확도·F1을 고전 STEAM과 비교하고 EEG-PRISM으로 특징을 해석한다.