생물은 완성된 설계도를 따라 조립되지 않는다. 가까운 세포들이 서로 신호를 주고받고, 그 국소 상호작용이 반복되면서 전체 형태가 만들어진다. 이런 과정을 자기조직화라고 부른다. 중앙 제어기나 명시적 청사진 없이 전역 구조가 생기는 현상이다.1
다만 생물학적 발생은 “완전히 빈 상태에서 시작하는 자기조직화”와는 다르다. 초기 배아에는 이미 위치와 방향에 관한 힌트가 들어 있다. morphogen gradient, 모계 mRNA, 국소화된 단백질 농도 같은 전패턴이 대표적이다.1 이런 정보는 “어디가 앞이고 뒤인가”, “어느 축을 따라 달라져야 하는가” 같은 대칭 깨짐의 단서를 제공한다.
Neural Cellular Automata with SIREN이 흥미로운 이유는 바로 이 지점을 모델 설계로 가져오기 때문이다. NCA는 자라는 규칙을 배우고, SIREN은 자라기 좋은 초기 조건을 만든다.
NCA는 성장 규칙을 배운다
Neural Cellular Automata, 즉 NCA는 고전적 cellular automata를 학습 가능한 업데이트 규칙으로 확장한 모델이다.1 각 셀은 전체 지도를 보지 않고 주변 상태만 관찰한다. 그리고 같은 규칙을 반복 적용하면서 전체 패턴을 만들어간다.
이 구조는 생물학적 자기조직화와 잘 맞는다. 개별 세포는 제한된 정보만 갖지만, 많은 세포가 같은 규칙으로 상호작용하면 복잡한 형태가 나타날 수 있기 때문이다.
문제는 순수 NCA에서는 구조 정보와 위치 정보까지 모두 동역학 안에서 추론되어야 한다는 점이다.1 모든 셀이 비슷한 조건에서 출발하면 어느 방향으로 분화해야 하는지, 어떤 축을 기준으로 패턴을 깨야 하는지 결정하기 어렵다. 생물 발생이 전패턴을 활용하는 것과 비교하면, 모델이 지나치게 많은 일을 스스로 해결해야 하는 셈이다.
SIREN은 초기 조건을 만든다
여기서 SIREN이 들어간다. SIREN은 좌표를 입력받아 공간적으로 구조화된 초기 조건을 생성하는 coordinate-based pattern generator로 사용된다.1 쉽게 말해, 각 위치의 좌표를 받아 그 위치에 맞는 초기 상태를 만들어주는 역할이다.
이때 SIREN은 최종 결과물을 그대로 그리는 모델이 아니다. 더 적절한 비유는 “발생의 힌트”다. NCA가 반복 업데이트를 통해 형태를 자라게 한다면, SIREN은 그 과정이 시작될 지형을 만든다.
따라서 핵심은 최종 패턴을 복사하는 것이 아니라 정보 분담에 있다. 어떤 정보는 초기 조건에 담고, 어떤 정보는 NCA의 자기조직화 동역학이 만들어내도록 하는 것이다. 이는 생물 발생에서 전패턴이 자기조직화의 부담을 줄이는 방식과 닮아 있다.1
함께 학습한다는 점이 중요하다
“Neural Cellular Automata With SIREN Capture Biological Self-Organization Via Morphogen Gradients”라는 제목의 게시물은 NCA와 SIREN 좌표 기반 생성기를 함께 사용한 모델을 소개하며, 두 구성 요소가 공동 학습된다고 설명한다.2
이 공동 학습이 중요하다. SIREN을 따로 만들어 고정된 초기 패턴만 제공하는 것이 아니라, NCA의 업데이트 규칙과 함께 최적화되기 때문이다. 그 결과 모델은 “어떤 시작 상태가 있으면 NCA가 더 잘 자랄 수 있는가”를 함께 찾는다.
이 관점에서 SIREN은 단순한 입력 전처리기가 아니다. NCA가 해결해야 할 문제를 줄여주는 발생적 scaffolding에 가깝다. 초기 조건은 위치 정보와 대칭 깨짐 정보를 제공하고, NCA는 그 위에서 국소 상호작용을 통해 전역 구조를 형성한다.
전패턴은 메모리-계산 트레이드오프다
이 접근은 AI 모델 설계에도 실용적인 질문을 던진다.
모든 정보를 업데이트 규칙이 계산하게 할 것인가, 아니면 일부 정보를 초기 상태에 저장할 것인가?
생물학적 발생에서 초기 조건으로 정보를 넘기는 현상은 컴퓨터 과학의 메모리-계산 트레이드오프와 유사하게 설명될 수 있다.1 계산을 반복해서 모든 것을 만들어낼 수도 있지만, 일부 정보를 미리 저장해두면 이후의 동역학이 훨씬 안정적으로 진행될 수 있다.
NCA with SIREN은 이 균형을 학습 가능한 형태로 다룬다. SIREN은 공간적 초기 조건에 정보를 저장하고, NCA는 그 정보를 바탕으로 반복적인 국소 규칙을 실행한다. 즉 모델 전체가 “어디까지 기억하고, 어디부터 계산할지”를 나눠 갖는다.
왜 이 구조가 유용한가
이 구조의 장점은 하나의 공유된 발생 프로그램이 다양한 결과를 만들 수 있다는 데 있다. 생물학에서도 하나의 발생 프로그램이 서로 다른 전패턴을 입력받으면 다양한 형태 결과를 만들 수 있다.1 같은 NCA 규칙을 쓰더라도 SIREN이 제공하는 초기 조건이 달라지면 다른 형태로 성장할 가능성이 열린다.
이는 생성 모델, 형태 생성, 인공 생명, 로보틱스 같은 분야에서 중요한 설계 원리가 될 수 있다. 복잡한 형태를 한 번에 출력하는 대신, 초기 힌트와 성장 규칙을 분리해 학습하면 더 생물학적인 방식의 생성 과정을 만들 수 있기 때문이다.
물론 핵심은 “SIREN을 붙이면 모든 문제가 해결된다”가 아니다. 중요한 점은 자기조직화 모델을 설계할 때 초기 조건을 무시하지 말아야 한다는 것이다. 생물학적 발생은 순수한 무작위 성장도, 완성 설계도의 실행도 아니다. 전패턴과 국소 규칙이 함께 작동하는 과정이다.
NCA with SIREN은 이 중간 지점을 모델로 구현한다. NCA는 어떻게 자랄지를 배우고, SIREN은 어디서 어떻게 시작할지를 배운다. 자기조직화 AI를 설계할 때도 이 구분이 중요한 기준이 될 수 있다.
1Learning Developmental Scaffoldings to Guide Self-Organisation
2[2605.14998] Learning Developmental Scaffoldings to Guide Self-Organisation
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.