[논문 리뷰] How brains are built: Principles of computational neuroscience

Richard Granger|arXiv (Cornell University)|2017. 03. 29.

Neural dynamics and brain function참고 문헌 96인용 수 5

한 줄 요약

이 논문은 계산 신경과학이 원리에서부터 신경 시스템을 시뮬레이션함으로써 뇌 기능에 대한 깊은 이해를 이룩할 수 있다고 제안한다. 계산은 하드웨어가 아니라 근본 메커니즘을 연구하는 것으로 간주되며, 뇌 기능을 완전히 시뮬레이션하는 것—기능적으로 기능하는 대체물과 유사한 것—은 이해의 궁극적 테스트로 간주된다. 이는 과학적 통찰과 뇌 기반 공학에 모두 영향을 미친다.

ABSTRACT

'If I cannot build it, I do not understand it.' So said Nobel laureate Richard Feynman, and by his metric, we understand a bit about physics, less about chemistry, and almost nothing about biology. When we fully understand a phenomenon, we can specify its entire sequence of events, causes, and effects so completely that it is possible to fully simulate it, with all its internal mechanisms intact. Achieving that level of understanding is rare. It is commensurate with constructing a full design for a machine that could serve as a stand-in for the thing being studied. To understand a phenomenon sufficiently to fully simulate it is to understand it computationally. 'Computation' does not refer to computers per se. Rather, it refers to the underlying principles and methods that make them work. As Turing Award recipient Edsger Dijkstra said, computational science 'is no more about computers than astronomy is about telescopes.' Computational science is the study of the hidden rules underlying complex phenomena from physics to psychology. Computational neuroscience, then, has the aim of understanding brains sufficiently well to be able to simulate their functions, thereby subsuming the twin goals of science and engineering: deeply understanding the inner workings of our brains, and being able to construct simulacra of them. As simple robots today substitute for human physical abilities, in settings from factories to hospitals, so brain engineering will construct stand-ins for our mental abilities, and possibly even enable us to fix our brains when they break.

연구 동기 및 목표

• 뇌 기능 이해의 금표로 계산 시뮬레이션을 확립하기 위해.
• '계산'이 뇌 과학에서 디지털 컴퓨터가 아니라 근본 원리와 관련이 있음을 명확히 하기 위해.
• 시뮬레이션을 통해 과학적 이해와 공학적 응용을 통합하기 위해.
• 우리가 진정으로 이해할 수 있다는 것을 주장하기 위해, 뇌와 유사한 시스템을 구축할 수 있어야 한다는 것을 입증하기 위해.
• 뇌 공학을 다음 세대의 전초 기지로 위치지어, 물리적 시스템에서의 로봇공학과 유사하게 보는 것.

제안 방법

• 리처드 파인만의 원칙을 도입: '만약 내가 그것을 만들 수 없다면, 나는 그것을 이해하지 못한다.'
• 계산을 디지털 컴퓨터 기술이 아니라 복잡한 시스템을 지배하는 숨겨진 규칙의 연구로 정의하기.
• 신경 기능 모델의 테스트와 검증을 위한 수단으로 시뮬레이션을 사용하기.
• 완전한 인과적 및 메커니즘적 정밀도를 갖춘 뇌 시스템을 모델링하여 완전한 시뮬레이션을 가능하게 하기.
• 물리학과 천문학과 같은 다른 학문 분야와의 유사성을 활용하기.
• 정신 능력의 功能적 시뮬라크럼을 구축하는 것으로 뇌 공학을 정의하기.

실험 결과

연구 질문

• RQ1 생물학적 시스템인 뇌의 진정한 이해를 정의하는 기준은 무엇인가?
• RQ2 계산 시뮬레이션이 과학적 이해의 기준으로 어떻게 작용하는가?
• RQ3 뇌 과학에서의 '계산'은 디지털 계산과 어떻게 다를까?
• RQ4 뇌 연구에서 과학적 통찰과 공학적 능력의 관계는 어떠한가?
• RQ5 뇌 기능을 시뮬레이션하는 데서 정신 능력의 복구 또는 향상에 응용할 수 있는 실질적 응용은 무엇이 될 수 있는가?

주요 결과

• 현상에 대한 진정한 이해는 그 원인과 결과의 전체적 순서를 시뮬레이션할 수 있을 때에만 달성된다.
• 시스템을 계산적으로 시뮬레이션할 수 있다는 것은 그 근본 메커니즘을 이해한다는 것과 동일하다.
• 계산 신경과학은 과학과 공학을 융합하는 기능적 시뮬라크럼을 구축하는 것을 목표로 한다.
• 시뮬레이션을 검증 수단으로 사용하는 원칙은 뇌뿐 아니라 물리적 시스템에도 동일하게 적용된다.
• 뇌 공학은 어느 날 인간 정신 능력을 복제하거나 확장하는 인공 시스템을 만들어낼 수 있다.
• 이 접근법은 물리학과 컴퓨터 과학의 기본 개념을 활용하며, 기술보다 원리에 중점을 둔다.