GPU 기반 기계학습, 두뇌 연결성 분석 가속
| | | |

GPU 기반 기계학습, 두뇌 연결성 분석 가속

새로운 GPU 기반 기계 학습 알고리즘은 과학자들이 뇌의 여러 영역 간의 연결을 더 잘 이해하고 예측하는 데 도움이 될 수 있다.

인도 과학 연구소(IISc) 연구원들이 개발한 Regularized, Accelerated, Linear Fascicle Evaluation 또는 ReAl-LiFE 알고리즘은 인간 두뇌의 확산 자기 공명 영상(dMRI) 스캔에서 생성된 엄청난 양의 데이터를 빠르게 분석할 수 있다. 팀은 ReAL-LiFE를 사용하여 기존의 최첨단 알고리즘보다 150배 이상 빠르게 dMRI 데이터를 평가할 수 있었다.

연구는 Nature Computational Science 저널에 게재됐다.

이 이미지는 두 개의 주의력 관련 뇌 영역인 전전두엽과 정수리 피질을 연결하는 white matter tract인 상종속다발(SLF)을 보여준다. Credit: Varsha Sreenivasan and Devarajan Sridharan.

수백만 개의 뉴런이 매초 뇌에서 발화하여 연결 케이블 또는 “축삭”을 통해 뇌의 한 지점에서 다른 지점으로 뉴런 네트워크를 가로질러 이동하는 전기 펄스를 생성한다. 이러한 연결은 뇌가 수행하는 계산에 필수적이다. 제1저자인 IISc의 신경과학 센터(CNS) 바르샤 스리니바산(Varsha Sreenivasan) 박사는 “뇌 연결성을 이해하는 것은 뇌-행동 관계를 대규모로 밝히는 데 중요하다”고 말했다. 그러나 뇌 연결성(connectome)을 연구하기 위한 기존 접근 방식은 일반적으로 동물 모델을 사용하며 침습적이다. 반면에 dMRI 스캔은 인간의 뇌 연결성을 연구하는 비침습적 방법을 제공한다.

뇌의 다른 영역을 연결하는 케이블(축삭)은 정보 고속도로다. 축삭 다발은 관 모양이기 때문에 물 분자는 축삭을 통해 길이를 따라 지시된 방식으로 이동한다. dMRI는 과학자들이 이 움직임을 추적하여 뇌를 가로지르는 커넥톰(connectome)이라고 하는 섬유 네트워크의 포괄적인 지도를 만들 수 있도록 한다.

이러한 연결체를 정확히 찾아내는 것은 간단하지 않다. 스캔에서 얻은 데이터는 뇌의 각 지점에서 물 분자의 순 흐름만을 제공한다. 연구의 교신 저자 Devarajan Sridharan는 “물 분자가 자동차라고 상상해보라. 얻은 정보는 도로에 대한 정보없이 시공간의 각 지점에서 차량의 방향과 속도다. 우리의 임무는 이러한 교통 패턴을 관찰하여 도로 네트워크를 추론하는 것과 유사하다”고 설명한다.

이러한 네트워크를 정확하게 식별하기 위해 기존 알고리즘은 추론된 연결체에서 예측된 dMRI 신호를 관찰된 dMRI 신호와 밀접하게 일치시킨다. 과학자들은 이전에 이 최적화를 수행하기 위해 LiFE(Linear Fascicle Evaluation)라는 알고리즘을 개발했지만 문제 중 하나는 계산 시간이 많이 소요되는 전통적인 중앙 처리 장치(CPU)에서 작동한다는 것이었다.

새로운 연구에서 Sridharan의 팀은 중복 연결 제거를 포함하여 여러 가지 방법과 관련된 계산 노력을 줄이기 위해 알고리즘을 조정해 LiFE의 성능을 크게 향상시켰다. 알고리즘 속도를 더욱 높이기 위해 팀은 GPU(그래픽 처리 장치)라고 하는 고급 게임 컴퓨터에서 볼 수 있는 특수 전자 칩에서 작동하도록 알고리즘을 재설계했다.

이 개선된 알고리즘인 ReAl-LiFE는 또한 인간의 피험자가 특정 작업을 수행하거나 수행하는 방식을 예측할 수 있었다. 즉, 알고리즘이 개인별로 추정한 연결 강도를 사용, 200명의 참가자 그룹에 대한 행동 및 인지 테스트 점수의 변화를 설명할 수 있었다.

이러한 분석은 의학적 응용도 가능하다. 팀은 알츠하이머 환자에게 행동적으로 나타나기 전에 노화 또는 뇌 기능 저하의 조기 징후를 식별할 수 있기를 희망한다. 그는 GPU 기반 구현이 매우 일반적이며 다른 많은 분야에서도 최적화 문제를 해결하는 데 사용할 수 있다고 덧붙였다.

사이언스모니터 뉴스레터
AI·양자·R&D 핵심 해설을 주 2회(화·금) 이메일로 받아 보세요.

Similar Posts