초파리 특별편 3 마인크래프트 속 초파리 뇌 — 배선도만으로 움직이는 신경계

이 게임은 무엇을 하는가 — 세 가지 재료를 한데 붙였다

마인크래프트에 초파리 몹을 하나 넣고, 그 몹의 머릿속에 실제 초파리 신경계를 통째로 돌린다. 몹이 무엇을 보고, 맡고, 맛보는지가 진짜 감각 뉴런을 자극하고, 진짜 하강 뉴런과 운동 뉴런의 활동을 읽어 몹을 움직인다. 초파리 한 마리마다 자기 뇌를 자기 스레드에서 실시간으로 돌린다.

재료 1 · 배선도수컷 초파리 신경계 전체의 커넥톰

뇌와 복부신경삭(곤충의 척수)을 합친 중추신경계 전체. 2026년 9월 3일 Cell에 실린 Berg 외 논문의 공개 데이터(neuPrint male-cns:v1.0)를 썼다. 모드는 논문이 나온 바로 그날 만들어졌다.

재료 2 · 뉴런 모형모든 뉴런을 같은 "누설 적분 발화" 부품으로

Shiu 외 (2024) Nature가 초파리 뇌 전체를 시뮬레이션할 때 쓴 방식을 그대로 따랐다. 뉴런마다 따로 맞춘 값은 없고, 연결의 시냅스 수가 곧 연결 강도다.

재료 3 · 몸과 세상마인크래프트 세계와 몹의 몸

사과·케이크·거미 눈·비·달려드는 플레이어가 감각 입력이 되고, 뇌가 내린 명령이 걷기·먹기·도약·손질 같은 몹의 움직임이 된다. 이 부분은 사람이 손으로 만들었다.

마인크래프트 화면: 날고 있는 초파리 몹, 왼쪽에 신경계 지도, 오른쪽에 뉴로스코프 패널 — **실제 게임 화면.** 가운데가 초파리 몹(Fly-1 ♂), 왼쪽이 B 키 "뇌 지도"(위: 시엽과 뇌, 아래: 복부신경삭), 오른쪽이 H 키 "뉴로스코프"(운동 채널, 뉴런 무리 발화 빈도, 틱당 스파이크, 망막). 아래 행동 관찰 섹션이 이 패널을 본떴다.

커넥톰을 색유리 블록으로 지은 구조물: 왼쪽이 뇌, 오른쪽이 복부신경삭 — **블록으로 지은 커넥톰.** `/flybrain build` 명령은 세포체 위치가 복원된 뉴런 141,781개를 영역별 색유리 블록으로 세운다. 연결된 몹의 뉴런이 발화하면 해당 블록이 바다 랜턴으로 번쩍인다.

한 줄 요약

앞의 두 페이지가 "경험으로 연결 강도를 고치는 것"을 신경망의 핵심으로 보았다면, 이 모드는 "연결 강도를 배선도에서 그대로 가져왔을 때 어디까지 되는가"를 실험한다. 학습은 없다. 사람이 정한 숫자도 적다. 모든 연결에 곱하는 전체 이득 0.65가 가장 중요하고, 그 밖에 케니언 세포 입력 0.25배, "시냅스 5개 미만 연결은 뺀다"는 기준이 있다.

이 게임이 참고한 초파리 연구

저장소의 README와 참고 문서(REFERENCE.md)에 인용된 연구를 역할별로 묶었다. 핵심은 두 편이다. 무엇을 연결했나는 Berg 외 (2026), 어떻게 돌리나는 Shiu 외 (2024)가 정했다.

핵심 ① · 배선도

Berg 외 (2026) 수컷 초파리 중추신경계 전체 커넥톰

뇌와 복부신경삭을 하나의 전자현미경 영상으로 찍어 뉴런과 시냅스를 모두 이었다. 수컷과 암컷 뇌를 시냅스 단위로 처음 비교한 연구이기도 하다.

Cell 189(18):5504–5526 · doi:10.1016/j.cell.2026.08.015

핵심 ② · 뉴런 모형

Shiu 외 (2024) 초파리 뇌 전체 계산 모형

FlyWire 암컷 뇌 배선도의 모든 뉴런을 누설 적분 발화 부품으로 돌려, 설탕 맛 → 주둥이 뻗기 같은 감각-운동 경로를 예측하고 실험으로 확인했다. 모드의 뉴런 식과 숫자는 이 논문 그대로다.

Nature 634:210–219 · doi:10.1038/s41586-024-07763-9

데이터 도구

Plaza 외 (2022) neuPrint

커넥톰을 질의하는 공개 도구. 모드의 뉴런 이름(DNp01, MN9 …)이 모두 neuPrint의 세포 종류 이름이라, 화면의 뉴런을 웹에서 바로 찾아볼 수 있다.

Front. Neuroinform. 16:896292

감각 쪽 동반 논문

시각계 · 맛 커넥톰

Nern 외 (2025) 시각계 전체 목록, Hoeller 외 (2026) 시각 경로, Tastekin 외 (2026) 맛-섭식 커넥톰. 어떤 감각 뉴런에 게임 입력을 넣을지 정할 때 썼다.

Nature 641 · Cell 189(18) 2편

운동 쪽 근거

하강 뉴런과 행동

걷기·멈춤(Sapkal 2024), 방향 틀기(DNa02), 거대 섬유와 다가옴 탈출(von Reyn 2014, Ache 2019), 착지(Ache 2019), 더듬이 손질(Hampel 2015), 날갯짓 세기(Namiki 2022). 뉴런 활동을 몹의 움직임으로 읽는 규칙의 근거다.

Nature · Nat Neurosci · eLife · Curr Biol

복부신경삭 · 성별 회로

MANC 커넥톰과 성적 이형 회로

Takemura 외, Marin 외 (2024), Cheong 외 (2026)의 수컷 복부신경삭 연구, Rubin 외 (2026)의 수컷 특이 뉴런(pC1, P1) 연구. 구애 노래 연결의 바탕이지만, 이 기능은 아직 시연되지 않았다.

eLife 13 · Curr Biol (2026)

숫자가 조금 다른 이유. 논문 초록은 교정을 마친 뉴런을 166,700개로 센다. 모드는 neuPrint 데이터셋에서 불러온 항목 176,422개를 모두 시뮬레이션하고, 그중 세포체 위치가 복원된 141,781개를 블록 구조물로 짓는다. 세는 기준이 달라 생긴 차이로 보인다.

앞 페이지와의 관계. ①번 페이지가 인용한 FlyWire (2024) 커넥톰은 Shiu 외 (2024)가 쓴 바로 그 암컷 뇌 배선도다. 이 모드는 같은 방법을 더 큰 수컷 신경계(뇌 + 복부신경삭)에 옮겨 적용했다.

뇌에서 복부신경삭까지 — 게임 속 신호가 지나는 길

앞 페이지의 3D 뇌에 복부신경삭(아래쪽 길쭉한 덩어리)과 목, 주둥이를 더했다. 이 모드는 뇌만이 아니라 다리와 날개를 움직이는 운동 뉴런까지 돌리기 때문이다. 장면을 고르면 초록 신호가 실제 연결 경로를 따라간다. 실제 해부 데이터가 아닌 개략 모형이다.

장면

영역 설명

뉴런 하나의 계산 — 새는 양동이에 물 붓기

17만 개 뉴런이 모두 이 부품 하나다. 입력 스파이크가 오면 전압이 오르고, 가만두면 쉬는 전압으로 새어 내려간다. 문턱(−45 mV)을 넘으면 스파이크를 쏘고 곧바로 −52 mV로 돌아간다. ①번 페이지의 "초간단 모델" y = [w·x ≥ θ]에 시간과 누설이 붙은 모습이다.

입력 뉴런의 발화 빈도

연결 하나의 시냅스 수

전체 이득

①번 페이지의 인공 뉴런

입력 × 가중치를 더해 문턱을 넘으면 1, 아니면 0. 시간이 없어서 입력이 들어오는 순간 답이 나온다. 가중치는 학습으로 정한다.

이 모드의 누설 적분 발화 뉴런

입력이 시간에 걸쳐 쌓였다 새어 나간다. 그래서 "얼마나 자주, 얼마나 한꺼번에" 들어오는지가 중요하다. 가중치는 배선도의 시냅스 수 × 0.275 mV × 이득 0.65로 고정이다.

흥분과 억제는 어떻게 정하나 — 부호도 배선도에서

뉴런이 내보내는 신경전달물질로 연결의 부호를 정한다. 아세틸콜린·도파민·세로토닌 등은 흥분(+), GABA·글루탐산·히스타민은 억제(−). 한 뉴런은 모든 출력이 같은 부호다(데일의 법칙). 그 결과 흥분성 116,390개, 억제성 60,032개다. ①번 페이지 정리표의 "억제성 시냅스는 음수 가중치"가 여기서는 배선도에서 그대로 정해진다.

행동 관찰 대시보드 — 자극을 주고, 뉴런을 보고, 행동을 읽는다

모드의 "뉴로스코프"(H 키) 화면을 본떴다. 장면을 고르면 감각 뉴런이 자극되고, 중간 뉴런을 지나, 하강·운동 뉴런의 발화 빈도가 해독기의 우선순위 사다리를 거쳐 행동이 된다. 막대의 옅은 띠가 저장소 검증 기록(VALIDATION.md)의 실제 측정 범위다.

장면

마인크래프트 세계→ 감각 뉴런 · 푸아송 스파이크→ 뇌 · 50 ms 계산→ 하강·운동 뉴런 발화→ 해독기 · 우선순위→ 몹의 행동

뉴런 무리의 발화 빈도 (Hz)

해독기의 우선순위 사다리 (왼쪽이 가장 셈)

해독기는 어떻게 행동을 고르나

21개의 명령 채널(앞으로, 방향, 뒤로, 멈춤, 도약, 먹기, 손질 …)을 뉴런 무리의 발화 빈도를 더해 만든다. 둘 이상이 동시에 켜지면 탈출 > 착지 > 비행 > 급정지 > 멈춤 > 뒤로 > 앞으로 > 먹기 > 손질 > 노래 순서로 이긴다. 한 번 들어간 행동은 최소 250 ms 머물고, 문턱의 절반 아래로 떨어져야 빠져나온다. 어떤 뉴런이 켜지는지는 배선도가 정하지만, 이 사다리와 문턱은 사람이 정했다.

가장 중요한 조절 손잡이 — 전체 이득 맞추기

Shiu 외의 시냅스 하나당 0.275 mV는 암컷 뇌(FlyWire)에 맞춘 값이다. 수컷 신경계는 뉴런당 시냅스가 더 많아서 이 값을 그대로 쓰면 신경망 전체가 과하게 흥분한다. 그래서 모든 연결에 곱하는 이득 하나를 논문과 같은 방법으로 다시 맞췄다.

이득

이 모드에서는

가장 작은 이득 중에서 세 조건을 모두 만족하는 값을 골랐다. ① 설탕 입력이 주둥이 운동 뉴런을 확실히 켠다. ② 손질·탈출 경로가 안정적이다. ③ 학습 중추의 케니언 세포는 조용하다. 0.55는 먹기가 약하고, 0.75는 폭주한다.

딥러닝으로 치면

개별 가중치는 건드리지 않고, 초기화 크기 같은 하이퍼파라미터를 검증 실험으로 고른 셈이다. 케니언 세포 0.25배도 특정 층에만 곱한 보정값에 해당한다. 너무 크면 층을 지날수록 활성값이 불어나는 "폭주"가 생기는 것도 깊은 신경망과 같다.

어디까지가 배선도에서 나오고, 어디부터 사람이 만들었나

이 저장소의 가장 좋은 점은 스스로 선을 긋는다는 것이다. README는 "이 프로젝트의 핵심은 마지막 칸(출처)에 정직한 것"이라고 적는다. 행동마다 창발 (배선도에서 저절로), 손으로 (사람이 만든 대역), 섞임을 붙였다.

"창발"의 범위에 주의. 여기서 창발은 "이 컴퓨터 모형 안에서 규칙 없이 나왔다"는 뜻이다. 실제 수컷 초파리로 확인한 결과가 아니라, 게임 없이 모형만 돌린 자동 시험(벤치)의 결과다. 같은 경로 일부(설탕 → MN9, 손질)는 Shiu 외 (2024)가 암컷 뇌 모형으로 예측하고 동물 실험으로 확인한 적이 있다.

행동	게임 속 계기	배선도 속 경로	출처

배선도에서 저절로 나오는 것

어떤 감각 패턴에 어떤 하강·운동 뉴런이 켜지는가 · 쓴맛이 운동 직전 단계에서 먹기를 끄는 것 · 좌우 방향 틀기의 비대칭 · 앞으로/뒤로 걷기의 맞섬 · 거대 섬유의 스파이크 한 번짜리 도약 결정 · 손질할 부위의 선택

사람이 만든 대역

망막 그리기와 밝기 적응 · 냄새 지도와 거리 감쇠 · 발화 빈도를 블록/초로 바꾸는 배율 · 문턱과 우선순위 사다리 · 비행·착지 물리 · 다가옴 신호를 LC4·LPLC2에 직접 넣는 것 · 케니언 세포 입력 0.25배 · 냄새 쪽으로 걷는 반사층

알려진 한계 (저장소 문서). 모든 뉴런이 같은 값을 쓴다 · 냄새를 맡으면 더듬이엽이 포화되어 방향 신호가 없다 · 메둘라의 움직임 경로(T4·T5)가 조용하다 · 신경조절물질·신경펩타이드·전기 시냅스·자발 활동이 없다 · 시냅스 5개 미만 연결은 뺐다 · 암컷도 수컷 뇌를 쓴다 · 발화 빈도의 절댓값은 믿지 말고, 어느 무리가 반응하는지의 패턴만 볼 것.

옮겨 보기 — 이 모드의 설계를 다른 AI에 비춰 보면

이 모드는 뇌과학 프로젝트지만, 설계 방식은 오늘날의 AI 시스템과 닮은 데가 많다. 생성 AI를 배우거나 가르치는 사람, 현장에 AI를 들이려는 사람을 위해 대응점을 정리했다.

생성 AI로 치면

내 시스템에 옮기기 — 규칙과 학습을 섞어 쓰는 현장이라면

비유의 한계. 거대 언어 모델의 가중치는 사람이 설계하지 않고 데이터로 학습한 것이지만, 이 모드의 가중치는 실제 동물의 배선을 측정한 것이다. "고정된 가중치로 추론만 한다"는 겉모습이 같을 뿐, 그 가중치가 어디서 왔는지는 정반대다. 우선순위 사다리도 에이전트의 도구 선택과 달리 언어 이해 없이 발화 빈도의 크기만 비교한다.

세 작업 비교 — 같은 초파리, 다른 질문

①번 페이지는 신경망 입문, ②번 페이지는 기억 인출 논문 도해, 그리고 이 마인크래프트 모드. 셋 다 "감각 → 뇌 → 행동"을 따라가지만 무엇을 진짜로 두고 무엇을 단순화하는지가 다르다.

세 작업의 위치

겹치는 주제 고르기

왼쪽 지도 읽는 법

가로축은 실제 배선도를 얼마나 그대로 쓰는가, 세로축은 경험으로 연결을 고치는 것이 얼마나 중심인가다. 앞의 두 페이지는 왼쪽 위, 모드는 오른쪽 아래에 있다. 오른쪽 위, 즉 실제 배선도 위에서 학습하는 모형은 막 시작된 영역이다. 대표적으로 Lappalainen 외 (2024) Nature는 초파리 시각계 움직임 경로 64개 세포 종류의 실제 연결은 그대로 두고, 알 수 없는 뉴런·시냅스 값만 딥러닝으로 학습시켰다. 그 모형의 예측은 26개 연구의 실측과 맞았다. 이 모드에서 조용한 바로 그 경로(T4·T5)다. 다만 뇌 전체와 몸을 한꺼번에 돌리면서 학습·신경조절까지 넣은 모형은 아직 없다.

항목별 비교표

공통점

차이점

모델 구조 비교 — 이 페이지의 모델 vs MLP · RNN · GRU · LSTM · CNN

버튼을 눌러 여섯 구조의 다이어그램을 바꿔 보자. 초록 선은 학습되는 연결, 점선은 고정된 연결, 주황 화살표는 시간을 건너가는 기억이다. 모든 다이어그램은 원리를 보여 주는 개략도다.

여섯 구조 한눈에 비교

학습되는 연결 / 전체 연결 (입력 16×16, 클래스 3)

회색 막대 = 전체 연결, 색 막대 = 학습되는 연결. 딥러닝 모델은 전부 학습되고, 초파리 모델은 고정 연결이 대부분이다. 아래 학습기와 공통 섹션 A의 코드 2가 같은 숫자를 센다.

마지막 줄의 근거 수준: 실제 회로·측정 모형이 실제 회로를 옮긴 것 · 구조가 닮음 연결 모양이 비슷하다는 뜻이지 같은 계산을 한다는 증거는 아님 · 느슨한 비유 · 순수 비유 설명을 돕는 말일 뿐 생물학적 근거 없음.

이 페이지 관점에서 본 핵심 차이

표에서 이 모델과 가장 닮은 것은 뜻밖에 RNN이다. 둘 다 시간 루프를 돌고 되먹임 연결이 있다. 결정적 차이는 가중치의 출처다. RNN은 무작위로 시작해 역전파로 배우고, 이 모델은 전자현미경으로 측정한 배선을 그대로 쓴다. 그 사이에 있는 것이 Lappalainen 외 (2024)의 방법이다: 배선은 측정값으로 두고, 모르는 값만 딥러닝으로 학습한다.

초파리 학습기 — 내 그림으로 가르치고 바로 써 보기

Teachable Machine처럼 ① 클래스마다 예시를 모으고 ② 학습시키고 ③ 새 입력으로 확인한다. 모든 계산은 이 브라우저 안에서 일어나며, 그림과 웹캠 영상은 밖으로 나가지 않는다. 같은 모델을 코드로 돌리려면 공통 섹션 A의 코드 2를 쓴다.

① 데이터 모으기

② 학습하기

모델

에포크30회

학습률0.05

③ 미리보기

입력

내보내기

코드 2로 이어서 →

불러오기 · 저장

모은 샘플은 이 브라우저에 자동 저장되어 새로고침해도 남는다. 내보낸 데이터·모델 JSON은 다시 불러올 수 있다.

시작하기: "예시 데이터 채우기"를 누르거나, 그림판에 그린 뒤 클래스의 "그림 추가"를 누르자. 이름은 눌러서 바꿀 수 있다.

Teachable Machine과 같은 점

클래스 만들기 → 샘플 모으기 → 학습 → 실시간 미리보기 → 내보내기의 흐름, 웹캠 입력, 모든 계산을 브라우저에서 하는 것.

다른 점

Teachable Machine은 큰 이미지 모델(MobileNet)로 미리 뽑은 특징 위에 작은 분류기만 학습하는 전이 학습을 쓴다. 이 학습기는 16×16 그림을 이 페이지의 모델이 처음부터 학습한다. 그래서 단순한 모양에 알맞고, 사진처럼 복잡한 입력은 잘 못한다. 대신 검증 정확도와 학습되는 연결 수를 그대로 보여 준다.

한 장으로 정리

앞의 두 페이지가 보여 준 것

뇌의 원리를 빌려 온 인공 신경망은 연결 강도를 경험으로 고쳐 문제를 푼다. 초파리의 버섯체도 도파민으로 연결을 바꿔 냄새와 결과를 짝짓고, 그 기억은 본능 회로(측각)를 거쳐 행동이 된다.

이 모드가 보여 준 것

연결 강도를 배선도에서 그대로 가져오면, 학습 없이도 먹기·쓴맛 거부·도약·손질이 올바른 뉴런에서 나온다. 반대로 냄새 따라가기처럼 학습·조절이 필요한 부분은 아직 사람이 만든 대역이 맡는다.

핵심 1. 구조(배선)만으로도 많은 행동이 나온다. 초파리의 타고난 행동 상당수는 연결 자체에 새겨져 있다.

핵심 2. 배움과 기억(버섯체, 도파민)은 이 모드가 비워 둔 칸이다. 케니언 세포는 일부러 조용히 두었고, 신경조절물질은 없다. ②번 페이지의 기억 인출 회로가 바로 그 빈칸이다.

핵심 3. 세 작업 모두 "어디까지 진짜인가"를 표시한다. 페이지는 노란 도장으로, 모드는 창발/손으로 표시로. 과학을 쉽게 보여 줄 때 가장 중요한 습관이다.

다시 보기: ① 초파리 뇌 탐사 — 감각에서 인식까지 · ② 배운 기억은 본능 회로를 거쳐서 꺼내진다

Colab 코드 — 이 페이지를 직접 실행해 보기

두 코드 모두 Colab에 기본으로 설치된 라이브러리만 쓴다. "노트북(.ipynb) 내려받기" 후 Colab에서 파일 → 노트북 업로드로 열거나, 복사해서 새 노트북 칸에 붙여 넣는다.

코드 1 · 배선도로 고정된 누설 적분 발화 신경망을 넘파이로섹션 "뉴런 하나"·"행동 관찰"과 연결 · numpy · CPU 1초 미만

시냅스 수 × 0.275 mV × 이득 0.65로 고정 가중치를 만들고(부호는 신경전달물질), 감각 뉴런 20개를 120 Hz로 자극해 0.5 ms씩 100번 계산한다. 학습하는 가중치는 하나도 없다. 내 데이터로 바꾸려면 syn(시냅스 수 행렬)을 실제 커넥톰 파일에서 읽어 온다.

실행 결과 (2026-10-04 실행, numpy 2.4 · CPU). 난수 시드를 고정해 언제 실행해도 같다.

코드 2 · PyTorch로 일반 딥러닝 다섯 가지 대 초파리 모델 세 가지"실습: 구조 비교·학습기"와 연결 · torch, numpy, matplotlib · CPU 약 1분

MLP·CNN·RNN·GRU·LSTM과 초파리 모델 세 가지를 같은 그림 데이터로 학습한다. 배선 고정 스파이킹 모델(ConnectomeLIF)은 숨은 뉴런 160개의 연결을 고정하고 해독층만 학습한다. 8번 칸에서 스파이크 기록을 그린다.

실행 결과 (2026-10-04 실행, PyTorch 2 · numpy 2.4 · CPU). 시드 두 개로 따로 학습했다. 시드·버전·하드웨어에 따라 숫자가 바뀔 수 있다.

일반 딥러닝 코드와 무엇이 다른가

항목	코드 1 (배선 고정 스파이킹)	일반 딥러닝 코드
가중치 출처	전자현미경으로 잰 시냅스 수 × 0.275 mV × 이득	무작위로 시작해 학습
학습	없음 (이득 0.65 등 몇 개 값만 사람이 보정)	대리 기울기로 모든 연결 학습
스파이크의 미분	필요 없음 (학습하지 않으니까)	계단 함수라 기울기가 0 → 대리 기울기로 우회
시간 처리	0.5 ms × 100스텝 = 게임 1틱	20스텝 시간 루프 + 시간을 거슬러 역전파
규모	17.6만 뉴런, 629만 연결 (예제는 500개)	수백~수천 뉴런이 보통
목적	실제 뇌가 무엇을 할지 예측·설명	과제 성능 (정확도)
출력 해석	사람이 만든 해독기 (우선순위 사다리)	출력층이 바로 클래스 점수

비교용 일반 딥러닝 코드 보기 (snn_surrogate_gradient.py, PyTorch)

AI 응용 프롬프트 — 이 코드를 출발점으로 삼기

ChatGPT, Qwen, Claude 같은 AI 도우미에 붙여 넣는 프롬프트다. "복사"를 누르면 프롬프트 뒤에 고른 코드가 함께 붙는다. 〔〕 안을 내 상황으로 바꿔 쓰면 된다.

함께 붙일 코드

AI의 답은 출발점일 뿐이다. 제안된 논문·수치·라이브러리 함수는 반드시 원문과 공식 문서로 확인한다. 공모전·논문에 AI 도움을 받았다면 주최 측과 학술지의 규정에 따라 사용 사실과 범위를 밝힌다.

용어 정리

본문의 노란 점선 밑줄과 같은 사전이다. 밑줄을 가리키거나 누르면 같은 설명이 나온다.

비유 모음 — 그리고 비유가 틀리는 지점

비유는 이해의 첫걸음이지만 오해의 씨앗도 된다. 초파리·뇌 비유에는 강도를 표시했다. 직접 실제로 같은 일을 한다는 근거가 있음 · 부분 일부 성질만 닮음 · 없음 대응하는 것이 알려지지 않음

개념	일상 비유	초파리·뇌 비유	비유가 틀리는 지점
누설 적분 발화	새는 양동이에 물 붓기: 넘치면 비우고 다시 채운다	직접 실제 뉴런의 막전압이 입력에 쌓였다 새어 나가고 문턱에서 스파이크를 쏜다	실제 뉴런은 모양·이온 통로가 다양하다. 이 모형은 모든 뉴런이 같은 값을 쓴다
배선도 = 사전학습 가중치	남이 만든 지도를 받아 길 찾기만 하기	부분 전자현미경으로 잰 시냅스 수를 그대로 연결 세기로 쓴다	생성 AI의 가중치는 데이터로 학습한 값이고, 배선도는 측정한 값이다. 출처가 정반대다
이득 보정	오디오 전체 볼륨 손잡이 하나 돌리기	없음	실제 뇌에는 전체 이득 손잡이가 없다. 수컷 신경계에 맞추려고 사람이 정한 값이다
반사층 (대역)	자율주행이 멈칫할 때 사람이 핸들 잡기	없음	반사층은 생물 회로가 아니라 사람이 짠 규칙이다. 화면의 [REFLEX] 표시가 그 순간을 알린다
창발	개미 하나하나는 단순한데 개미집 전체는 복잡하게 움직인다	부분 규칙을 넣지 않았는데 배선도에서 먹기·탈출이 나온다	"창발"은 이 모형 안의 결과다. 실제 수컷 초파리로 확인한 것은 아니다

저자 소개와 레퍼런스

E-1 저자 소개 · E-2 학술 레퍼런스 · E-3 그림 참고 자료

E-1 저자 소개

안상선 ((주)M-Robo 대표)

한국전기안전공사, 매일경제신문을 거쳐 현재 매일경제 사외벤처 (주)M-Robo를 창업해 대표로 재직하고 있다. (주)M-Robo는 언론사 사내 벤처로 시작한 미디어 벤처로, 국민일보에 로봇기자(스톡봇)을 서비스 했으며, 한국인터넷진흥원, 한국언론진흥재단, 한국방송통신전파진흥원 등에서 다수의 프로젝트를 진행했다. 이후 자체 A.I 뉴스 신문인 Money-Robo를 서비스 중이다. 대표 재직 중 아시아오픈 데이터 해커톤 우승, 데이터창업 분야 공로로 행정안전부 장관상을 2회 수상했으며, 인공지능 및 블록체인 분야에 대한 5개 특허 발명 및 등록자이다. 저서로는 “AI범죄와 자기방어”가 있으며, 핀테크분야, 통계학, 인공지능 분야에 대해서 한국기술교육대학교 온라인평생교육원 이러닝 콘텐츠 개발을 진행했다. 최종학위는 경제학 박사(동국대, 미시수리경제학)이다. 국민대학교, 호서대학교 등 여러 대학교에서 데이터 및 인공지능과 관련한 과목을 강의하고 있다. 자세한 프로필

강의

안상선 (2025). 「비즈니스를 위한 데이터 과학」 강의안. 한국열린사이버대학교 인공지능융합학과.
안상선 (2025). [K-디지털] 인공지능 자연어 처리. STEP(스마트직업훈련플랫폼), 한국기술교육대학교 온라인평생교육원.
안상선 (2024). [K-디지털] 핀테크 데이터 분석 기초. STEP(스마트직업훈련플랫폼), 한국기술교육대학교 온라인평생교육원.

STEP 강의 바로가기: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
사이트 개편으로 접속이 원활하지 않을 경우에는 www.step.or.kr로 접속 바랍니다.

논문과 발표

안상선 (2025). 국민노후보장패널데이터를 활용한 가구지출 예측 모델 연구: 인공지능 모델 기반 접근. 「미래사회」, 16(2). 원문
안상선 (2025). 국민노후보장패널데이터를 활용한 가구지출 예측 모델 연구: 인공지능 접근. 국민노후보장패널 학술대회 발표자료(2025.05.13), 국민연금공단 국민연금연구원. 발표자료
안상선 (2025). SNS 텍스트 기반 마약 의심 거래 탐지 알고리즘에 대한 연구: 패턴 및 맥락 분석을 중심으로. 「미래사회」, 16(1). 원문
안상선 (2024). 금융분야의 이상탐지 모델 보안을 위한 통계 기반의 적대적 데이터 대응 방안: 실증적 분석과 시뮬레이션 결과. 「미래사회」, 15(3). 원문
안상선 (2024). 인공지능을 활용한 가상 캐릭터 특성 기반 SNS 포스팅 탐지 솔루션. 2024 Summer Newmedia Party 포스터 발표(2024.06.19), 서울미디어대학원대학교.
안상선 (2024). 산업재해 패널 데이터를 활용한 머신러닝 모델. 제10회 산재보험패널 학술대회 포스터 발표(2024.05.17), 근로복지공단 근로복지연구원.
안상선 (2024). 가상 자산 시계열 데이터의 분석과 예측: 시계열 모델 및 인공지능 모델의 비교, 개선점 제시. 「미래사회」, 15(1). 원문

E-2 학술 레퍼런스

[R1] Berg, S., Beckett, I. R., Costa, M., … (2026). Sexual dimorphism in the complete Drosophila male central nervous system connectome. Cell, 189(18), 5504–5526. doi:10.1016/j.cell.2026.08.015 — 히어로, "참고 연구"
[R2] Shiu, P. K., Sterne, G. R., Spiller, N., … Scott, K. (2024). A Drosophila computational brain model reveals sensorimotor processing. Nature, 634, 210–219. doi:10.1038/s41586-024-07763-9 — "뉴런 하나", "이득 맞추기"
[R3] Lappalainen, J. K., Tschopp, F. D., Prakhya, S., … Turaga, S. C. (2024). Connectome-constrained networks predict neural activity across the fly visual system. Nature, 634, 1132–1140. doi:10.1038/s41586-024-07939-3 — "세 작업 비교"
[R4] Plaza, S. M., Clements, J., Dolafi, T., … (2022). neuPrint: An open access tool for EM connectomics. Frontiers in Neuroinformatics, 16, 896292. doi:10.3389/fninf.2022.896292 — "참고 연구"
[R5] blendi-remade/fly-brain-minecraft (2026). GitHub 저장소: README, docs/REFERENCE.md, docs/VALIDATION.md, PROVENANCE.md. 코드 MIT, 커넥톰 파생 데이터 CC BY 4.0. github.com/blendi-remade/fly-brain-minecraft — 이 편 전체 (모드의 숫자와 검증 기록)

본문 각주 [1]~ 숫자와 사실의 출처

번호	내용	값	출처
[1]	시뮬레이션 뉴런·연결·시냅스 수	176,422 / 6,287,749 / 90.3 M	fly-brain-minecraft README, PROVENANCE.md, VALIDATION.md §0 (neuPrint `male-cns:v1.0`, 시냅스 5개 이상 연결만)
[2]	망막 기둥 수, 50 ms 틱, 학습 없음, 뉴런 식의 값	877 + 892 기둥 · τ_m 20 ms · τ_s 5 ms · −52/−45 mV · 불응기 2.2 ms · 0.275 mV × 0.65	docs/REFERENCE.md "How it works", Shiu 외 (2024)
[3]	행동 관찰 대시보드의 발화 빈도 범위, 활성 뉴런, 실시간 배율	표의 범위	docs/VALIDATION.md §1–8 (게임 없이 돌린 자동 시험, 2026-09-03)
[4]	이득 0.55 / 0.65 / 0.75 비교	§9 표	docs/VALIDATION.md §9
[5]	커넥톰 논문의 뉴런 수	166,700 (교정·주석 완료)	Berg 외 (2026) Cell 189(18):5504–5526
[6]	전체 뇌 누설 적분 발화 모형	—	Shiu 외 (2024) Nature 634:210–219
[7]	실제 배선도 위에서 딥러닝으로 값을 학습한 시각계 모형	세포 종류 64개, 실측 연구 26개와 일치	Lappalainen 외 (2024) Nature 634:1132–1140 · doi:10.1038/s41586-024-07939-3
[8]	게임 화면 이미지 두 장	—	fly-brain-minecraft docs/media (MIT License)

E-3 그림 참고 자료

게임 화면 이미지 두 장: fly-brain-minecraft 저장소 docs/media (MIT License, © 2026 Blendi Remade / fal.ai). Minecraft는 Mojang/Microsoft의 상표다
마무리 장면의 캐릭터 그림: 딥러닝 A to Z 연구실 캐릭터

교육자를 위한 TIP

강사, 실무 OJT 담당자, 튜터를 위한 운영 안내다. 시간은 예상치이므로 실제 수업에 맞춰 조정한다.

대상	특별 1·2를 마친 학습자. 뇌 시뮬레이션과 디지털 트윈에 관심 있는 실무자
선수 지식	특별 1의 ② 퍼셉트론, 특별 2의 고정 경로 + 학습 보정
학습 목표	① 누설 적분 발화 뉴런의 식을 말로 설명한다 ② 배선도에서 저절로 나온 행동과 사람이 만든 대역을 구분한다 ③ 학습되는 연결이 거의 없는 모델의 장점과 한계를 딥러닝과 비교한다
예상 시간	읽기 50~60분 · 애니메이션 시연 25분 · Colab 실습 30분 (코드 1 10분, 코드 2 실행 2분 + 해석 15분)

운영안 세 가지

강의형 50분

개념 중심

도입 5분(게임 화면) → 뉴런 하나 15분 → 행동 관찰 15분 → 진짜와 대역 10분 → 확인 문제 5분.

실무 OJT 90분

시스템 설계 중심

행동 관찰 15분 → 진짜와 대역을 우리 시스템의 "모델 vs 규칙" 표로 바꿔 쓰기 25분 → 옮겨 보기 15분 → 코드 2 실행·해석 25분 → 프롬프트 카드 10분.

1:1 튜터링

수준별 진도

입문자는 무엇인가·뉴런 하나·행동 관찰만. 중급자는 뉴런 하나에서 "동시 시냅스 162개"를 식으로 유도하고 코드 1의 이득을 바꿔 발화 수를 비교한다.

섹션별 운영 포인트

섹션	멈춰서 물어볼 질문	조작 팁
무엇인가	"배우지 않는 신경망이 쓸모 있을까?"	게임 화면 두 장부터 본다
뉴런 하나	"입력이 같아도 왜 스파이크 시각이 다를까?"	시냅스 수와 이득을 바꿔 출력 발화 빈도를 본다
행동 관찰	"쓴맛을 넣으면 어느 단계에서 먹기가 멈출까?"	설탕 → 설탕 + 쓴맛 순서로 누른다
이득 맞추기	"0.75면 왜 폭주할까?"	0.65와 0.75의 손질 그래프를 비교한다
진짜와 대역	"[REFLEX]가 뜨면 누가 운전하는 걸까?"	사과 냄새 장면을 다시 본다
세 작업 비교	"오른쪽 위(실제 배선도 + 학습)에는 무엇이 있을까?"	지도의 Lappalainen (2024) 점을 짚는다
실습: 학습기	"학습되는 연결 483개로 몇 %를 맞힐까?"	배선 고정 스파이킹과 MLP를 번갈아 학습한다

흔한 오해 Top 5

오해	바른 설명	보여 줄 장면
커넥톰만 있으면 뇌를 완전히 재현한다	신경조절물질·전기 시냅스·뉴런마다 다른 성질이 빠져 있다. 냄새 경로는 포화되어 대역이 맡는다	진짜와 대역의 한계 목록
게임 속 초파리는 학습한다	학습되는 가중치는 0개다. 사람이 정한 값은 이득 0.65 등 몇 개다	히어로 숫자, 이득 맞추기
발화 빈도 숫자는 실제 초파리의 값이다	모형의 벤치 결과이며 절댓값은 믿지 말고 패턴만 본다	행동 관찰의 옅은 띠
창발한 행동은 실제 초파리 실험으로 확인되었다	이 모형 안의 결과다. 일부 경로만 다른 연구에서 동물 실험으로 확인되었다	진짜와 대역의 "창발" 범위 문단
스파이킹 신경망은 학습할 수 없다	기계학습에서는 대리 기울기로 학습한다. 이 모드가 학습하지 않는 것은 설계상의 선택이다	구조 비교, 코드 2

확인 문제 (해설은 눌러서 펼치기)

Q1. 시냅스 30개짜리 연결의 입력 스파이크 하나가 더하는 전류 g는 몇 mV인가? (0.275 mV × 이득 0.65)

30 × 0.275 × 0.65 ≈ 5.36 mV.

Q2. 쉬는 전압 −52 mV, 문턱 −45 mV일 때, 스파이크 한 번이 막전압을 g의 약 0.1575배만큼 올린다면 혼자 발화시키려면 g가 얼마 필요한가?

문턱까지 7 mV. 7 / 0.1575 ≈ 44.4 mV. 이득 1.0이면 시냅스 약 162개, 이득 0.65면 약 249개가 동시에 필요하다.

Q3. 설탕 + 쓴맛 장면에서 주둥이 운동 뉴런(MN9)이 0 Hz인데 단맛 2차 뉴런은 켜져 있다. 억제는 어느 단계에서 일어나나?

운동 직전 단계. 쓴맛 브레이크(Scapula)가 먹기 명령 경로를 막는다.

Q4. 이득을 0.75로 올리면 손질 장면에서 무슨 일이 생기나?

200 ms 만에 틱당 스파이크가 다섯 배로 불어나고 케니언 세포가 39 Hz로 깨어나며, 생긴 억제가 손질 명령 뉴런까지 끈다(폭주).

Q5. 코드 2에서 배선 고정 스파이킹 모델은 학습되는 연결 644개로 테스트 0.75~0.81을 냈다. 이 결과를 MLP(16,708개, 0.88~0.91)와 비교해 해석하면?

연결의 약 4%만 학습해도 꽤 맞히지만, 표현 자체를 학습하지 못해 MLP보다 낮다. 데이터가 적어(테스트 32개) 차이가 ±0.1 흔들린다는 점도 함께 말한다.

Colab 과제

기본

코드 1에서 이득 0.65를 0.55와 0.75로 바꿔 발화한 뉴런 수와 평균 발화 빈도를 표로 보고하고, 섹션 "이득 맞추기"의 폭주와 연결해 두 문장으로 해석한다.

도전

코드 2의 ConnectomeLIF에서 억제 뉴런 부호(−0.5)를 모두 +0.18로 바꿔(억제 제거) 다시 학습한다. 스파이크 기록(8번 칸)과 정확도를 시드 두 개로 비교하고, 억제가 신경망에서 하는 일을 쓴다.

난이도 조절과 더 배우기

입문자	"뉴런 하나"의 식은 "말로 읽기"만 읽어도 된다. 행동 관찰과 진짜와 대역을 확실히 한다
심화	Lappalainen 외 (2024)처럼 배선도 위에서 일부 값만 학습하는 방법을 조사해 발표하게 한다. 조사한 논문은 원문으로 확인한다
더 배우기	안상선, 「비즈니스를 위한 데이터 과학」 강의안 (데이터 과학 전반) · STEP [K-디지털] 인공지능 자연어 처리 · STEP [K-디지털] 핀테크 데이터 분석 기초
강사용 자료	확인 문제의 채점 기준과 과제 예시 답안은 교육자용 정답 페이지 (특별 3)에서 볼 수 있다