연구 분야

Neuro-X는 뇌의 활동에서 인간의 인지·정서·행동과 그 변화를 이해하고 예측할 수 있는 AI를 연구합니다. 다양한 뇌 데이터에서 배운 패턴을 새로운 사람과 과제에도 활용하는 것이 목표입니다. 이를 위해 뇌신호의 특성과 연구 목적에 맞는 여러 파운데이션 모델을 개발합니다.

뇌 활동은 공간과 시간에 걸쳐 달라지고, fMRI와 EEG는 그 활동의 서로 다른 측면을 기록합니다. 이 차이를 고려해 학습한 모델로 인지 상태와 정신건강 지표를 예측하고, 예측에 쓰인 패턴이 뇌와 행동의 관계에 무엇을 알려 주는지 분석합니다. 자료를 요약하는 방식, 주파수 대역, 전극 구성에 관한 선택은 이 목표를 위한 설계 문제입니다. 새로운 사람과 기록 환경에서의 평가를 통해 모델이 활용될 수 있는 범위를 확인합니다.

fMRI의 공간·시간 패턴 학습

SwiFT는 fMRI를 미리 정한 뇌 영역별 평균으로 축약하지 않고, 공간과 시간의 변화를 함께 학습합니다. 후속 모델인 SwiFUN은 휴지기 fMRI로 과제 수행 중의 뇌 활성 패턴을 예측합니다.

SwiFUN은 성인 UK Biobank와 아동 ABCD에서 예측 지도와 실제 지도의 전체적인 유사도를 연결성 기반 비교 모델인 ConnTask보다 높였습니다. 반면 누구의 지도인지 맞히는 개인 식별에서는 ConnTask가 더 좋았습니다. 뇌의 공통 반응을 잘 예측하는 것과 개인의 고유한 반응을 포착하는 것은 구별해 평가해야 한다는 점을 보여줍니다.

MBBN은 fMRI를 주파수 대역별로 나누어 학습하며, 인지·정신건강 지표 예측에 관련된 뇌 활동 패턴을 분석합니다. 서로 다른 시간 규모를 구분해 학습할 때 예측에 쓰이는 정보가 어떻게 달라지는지 비교하는 사례입니다. NeuroMamba는 상태공간 모델과 뇌 밖 배경 토큰 제거로 fMRI 학습의 계산 부담을 줄입니다. 공개 연구에서는 성별 분류를 평가했으며, 인지·정신건강 과제로의 확장은 추가 검증할 목표입니다.

다양한 기록 환경의 EEG 학습

DIVER-0는 기록마다 다른 EEG 채널 구성을 고려한 모델입니다. 채널 순서가 바뀌면 출력도 그 순서에 맞게 바뀌도록 설계하고, 정서 인식과 운동심상 분류에서 평가했습니다. DIVER-1은 두개내 EEG로 연구를 확장해 인지 과제와 발작 검출을 다룹니다.

이 모델들을 바탕으로 새로운 기록 환경과 적은 학습 자료에서도 활용할 수 있는 뇌 신호 분석 방법을 연구합니다. 여러 종류의 뇌 데이터를 함께 활용하는 방법도 이 프로그램의 연구 방향입니다.

사람마다 생각하고 행동하며 자라나는 모습은 왜 다를까요? 이 연구는 유전·뇌·행동·환경의 연결에서 발달과 정신건강의 개인차를 이해하고자 합니다. 유전적 차이, 뇌의 구조와 활동, 인지와 행동, 생활환경을 함께 분석해 서로 다른 수준의 관측 사이에서 나타나는 관계를 연구합니다.

대규모 발달 자료와 계산 모델은 이 관계를 구체적으로 살피는 수단입니다. 어떤 유전·뇌 특성이 어떤 행동 및 환경 지표와 함께 나타나는지, 가족력은 무엇을 담고 있는지, 여러 자료를 연결한 모델이 새로운 집단의 발달과 정신건강을 예측하는 데 도움이 되는지 묻습니다. 연구마다 다루는 연결과 검증할 수 있는 범위를 구분하며, 인간의 발달을 여러 수준에서 이해하는 설명을 쌓아 갑니다.

유전·뇌·행동·환경을 함께 읽는 발달 연구

다유전자 점수(PGS)는 여러 유전자 변이의 작은 효과를 모아 특정 형질과 관련된 유전적 차이를 요약한 지표입니다. 아동기 유전·뇌·행동·환경 연구에서는 PGS와 여러 종류의 MRI, 인지·정신건강 및 환경 지표를 함께 분석해 서로 관련된 패턴을 찾았습니다.

환경 자료에는 가족 갈등, 학교 참여, 이웃의 안전, 거주 지역의 소득·빈곤 지표 등이 포함됐습니다. 뇌기능을 포함한 분석에서도 사회경제적 맥락과 관련된 양상이 나타났습니다. 환경을 별도의 배경 설명으로만 두지 않고, 다른 수준의 관측과 함께 달라지는 관계를 분석한 사례입니다.

이 접근은 여러 뇌 특성이 유전·행동·환경 지표와 맺는 관계를 비교하게 합니다. 한 영역의 결과를 다른 수준의 관측과 연결해 발달을 이해할 단서를 찾습니다. 다만 함께 나타나는 패턴이 유전자가 뇌를 거쳐 행동을 일으킨다는 인과 경로를 입증하는 것은 아닙니다.

우울증 가족력 연구는 가족력과 자녀의 PGS가 정신건강에 관해 각각 어떤 정보를 제공하는지 살펴봤습니다. 우울 관련 PGS는 가족력과 자녀 정신건강 사이의 연관 중 일부만 설명했습니다. 가족력과 현재의 유전 지표를 함께 살펴볼 필요성을 보여주는 결과입니다.

가족력을 유전적 소인의 대리 지표 하나로 취급하기 어려운 이유입니다. 다만 PGS가 설명하지 못한 나머지를 모두 환경의 효과로 돌릴 수도 없습니다. 현재의 유전 지표가 포착하지 못한 정보와 가족이 함께 겪는 환경을 더 구별해야 합니다.

유전 정보를 활용한 뇌영상 예측

백질 영상 연구에서는 유전 정보를 모델 학습에 활용해 뇌 백질 영상에서 우울 관련 특징을 찾고, 별도 청소년 집단에서 우울·자살 관련 지표의 예측 가능성을 평가했습니다. 유전 정보와 뇌영상을 어떻게 결합할지에 관한 연구입니다.

유전 정보로 뇌영상 모델의 사전학습을 안내한 접근입니다. 이런 결합이 새로운 집단에서도 유효한지 확인하는 일이 개인차 연구를 진전시키는 기준이 됩니다.

이러한 연구는 발달과 정신건강의 개인차를 이해하고 예측하기 위한 것이며, 현재의 모델이 개인의 진단을 대신하지는 않습니다.

뇌신호 안의 복잡한 관계를 학습하려면 어떤 계산이 필요할까요? 연구실은 양자 회로와 고전 모델을 결합해 뇌신호를 표현하고 학습하는 새로운 가능성을 탐구합니다. 시간에 따라 달라지는 신호의 관계와 이미 학습한 뇌 표현을 양자 연산으로 다루며, 계산 구조의 차이가 학습에 무엇을 더할 수 있는지 묻습니다.

이 가능성을 시험하기 위해 회로의 크기와 연결 방식, 고전 모델과의 결합을 바꾸어 비교합니다. 예측 성능뿐 아니라 학습할 파라미터의 수, 회로를 확장할 때의 제약, 잡음 속의 학습 안정성을 살핍니다. 뇌 데이터에 대한 시뮬레이션과 별도 과제의 실제 하드웨어 실험은 각각 다른 조건에서 계산 방법을 검증합니다.

뇌 시계열 분석

양자 시계열 트랜스포머는 시간에 따른 신호의 관계를 양자 연산으로 표현해 fMRI 분석에 적용한 연구입니다. Q-DIVER는 사전학습 EEG 모델과 양자 회로를 결합하고, 운동심상 분류에 맞는 회로 구조를 탐색합니다. 두 연구는 시뮬레이션에서 모델 설계와 성능을 평가했습니다.

Q-DIVER는 이미 학습한 EEG 표현을 판독하는 부분에 양자 회로를 연결합니다. 모델의 어느 부분을 양자 연산에 맡길 수 있는지를 구체적인 설계 문제로 다룹니다.

회로 학습과 하드웨어

멀티칩 앙상블 연구는 계산을 작은 회로들로 나누어 결합하는 방식을 제안하고, 모사된 잡음 환경에서 학습 안정성을 평가했습니다. 하나의 회로에 입력을 압축하는 방법과 여러 작은 회로에 입력을 나누는 방법을 비교하며, 정보를 담는 방식과 학습 가능성의 관계를 살핍니다.

별도의 IBM 양자 장치 연구에서는 손글씨 숫자 분류기를 실제 하드웨어에서 실행했습니다.

양자 회로의 효과는 일반적인 신경망과 비교하며 평가하고 있습니다. 뇌 데이터에서의 양자 우위는 아직 확인되지 않았습니다.

우리가 느끼고 기억하는 경험에는 여러 감정이 공존하고, 그 감정은 시간에 따라 달라집니다. 연구실은 경험의 이러한 구조와 변화가 뇌 활동과 어떻게 연결되는지 연구합니다. 경외에서 긍정과 부정이 함께 드는 순간, 개인적인 기억을 떠올리며 느낌이 달라지는 과정을 살피고, 정서를 반영하는 새로운 표현 매체도 탐구합니다.

가상현실(VR)과 경험 보고는 복합적인 감정이 나타나는 상황과 그 양상을 살피게 하고, EEG는 그동안의 뇌 활동을 기록합니다. 경험 보고에서 드러난 정서의 양상과 변화가 신경 신호와 어떻게 관련되는지 분석합니다. 별도의 회상 연구에서는 회상 중 EEG에서 추정한 정서 변화를 음악과 영상 생성에 반영하는 방법을 시험합니다.

경외와 복합 정서

경외 연구에서는 VR 영상을 보는 동안의 감정 변화와 EEG를 함께 측정했습니다. 긍정과 부정이 공존하는 양가적 정서는 경외의 강도와 관련되었고, EEG 분석에서도 이에 대응하는 패턴이 나타났습니다. 이 결과는 경외를 긍정적인 감정만으로 설명하기 어렵다는 점을 보여줍니다.

긍정과 부정을 동시에 보고할 수 있게 한 설계는, 좋음과 나쁨의 한 축에서 놓치는 경험을 측정하게 합니다. 감정을 어떤 축과 척도로 보고하게 하는지가 관찰할 수 있는 현상의 범위에 영향을 준다는 문제를 구체적으로 다룬 사례입니다.

회상 중의 정서와 콘텐츠 생성

Revisiting Your Memory는 회상 중의 EEG에서 정서 변화를 추정하고 이를 음악과 영상 생성에 반영한 탐색 연구입니다. 기억의 내용은 참여자가 제공한 글·그림·음악에서 가져옵니다. EEG에서 추정한 정서 변화는 생성 과정을 조절하는 데 사용하며, 기억 속 장면을 뇌 신호만으로 복원하는 방식은 아닙니다.

이 연구는 정서를 측정하는 작업과 정서에 반응하는 표현 매체를 만드는 작업의 접점을 탐색합니다. 참여자가 제공한 기억 자료와 뇌신호에서 추정한 시간적 변화를 서로 다른 역할로 사용합니다.

관련 연구: 이미지와 음악의 생성 방법

이미지의 질감과 형태, 음악의 스타일을 조절하는 생성 방법도 개발합니다. 아래 두 연구는 신경 신호나 정서 반응의 분석을 포함하지 않는 계산 방법 연구입니다.

AesFA는 이미지 특징을 서로 다른 주파수 성분으로 나누어 질감과 전체 형태를 고려한 스타일 전이를 수행합니다. 음악 스타일 전이 연구에서는 소리를 시간·주파수 이미지로 표현하고, 이미지 확산 모델을 활용해 추가 학습 없이 음악 스타일을 바꾸는 방법을 제안했습니다.