위키원
스티븐 그로스버그
스티븐 그로스버그(Stephen Grossberg, 1939년 12월 31일~)는 인지 과학자, 이론 및 계산 심리학자, 신경과학자, 수학자, 생의학 공학자, 그리고 뉴로모픽 기술 전문가이다. 그는 보스턴 대학교(Boston University)의 인지 및 신경 시스템(Wang Professor of Cognitive and Neural Systems) 석좌 교수이자, 수학 및 통계학, 심리학 및 뇌 과학, 생의학 공학 명예 교수이다.
목차
[숨기기]생애 및 학문적 배경[편집]
초기 생애와 교육[편집]
스티븐 그로스버그는 뉴욕시 퀸스(Woodside, Queens)에서 태어났다. 그의 아버지는 그가 한 살 때 호지킨 림프종(Hodgkin's lymphoma)으로 사망했고, 그의 어머니는 그가 다섯 살이 되었을 때 재혼했다. 이후 그는 어머니, 새아버지, 그리고 형 미첼(Mitchell)과 함께 퀸스 잭슨 하이츠(Jackson Heights, Queens)로 이사했다.
그로스버그는 맨해튼(Stuyvesant High School)에 위치한 명문 과학고인 스타이브샌트 고등학교(Stuyvesant High School)에 입학했으며, 경쟁이 치열한 입학 시험을 통과하여 재학했다. 그는 1957년 졸업할 당시 수석(valedictorian)으로 학업을 마쳤다.
그는 1957년 다트머스 대학교(Dartmouth College)**에 입학하여 학부 과정을 시작했다. 이 시기에 그는 비선형 미분방정식(Nonlinear Differential Equations)을 활용하여 뇌의 동역학(Brain Dynamics)을 모델링하는 신경망 이론을 고안했다. 이는 오늘날 많은 과학자들이 신경망 모델을 설명하는 데 사용하는 기본 방정식들의 기초가 되었다. 이후 그는 심리학과 신경과학을 함께 연구했다.
그로스버그는 1961년 다트머스 대학에서 수학과 심리학의 첫 번째 공동 전공자로 학사 학위(B.A.)를 취득했다.
이후 그는 스탠퍼드 대학교(Stanford University)**에서 수학 석사(MS) 학위를 취득(1964)한 후, 록펠러 의학 연구소(The Rockefeller Institute for Medical Research, 현 록펠러 대학교)로 자리를 옮겼다. 록펠러에서 연구를 시작한 첫해에, 그는 자신의 연구 결과를 정리한 500페이지 분량의 논문 "The Theory of Embedding Fields with Applications to Psychology and Neurophysiology"를 저술했다.
그로스버그는 1967년 록펠러 대학에서 수학 박사(PhD) 학위를 받았으며, 그의 박사 학위 논문은 뉴런 학습 모델에 대한 세계 최초의 전역 연관 기억(global content addressable memory) 이론을 증명한 것이었다. 그의 박사 지도 교수는 잔-카를로 로타(Gian-Carlo Rota)였다.
학계 진출[편집]
그로스버그는 1967년 매사추세츠 공과대학교(MIT)에서 응용수학 조교수(Assistant Professor of Applied Mathematics)로 채용되었다. 그의 임용에는 저명한 수학자인 마크 카츠(Mark Kac)와 잔-카를로 로타(Gian-Carlo Rota)의 강력한 추천이 있었다.
1969년, 그는 뉴런 네트워크의 다양한 측면에 대한 수많은 개념적 및 수학적 연구를 발표하면서 부교수(Associate Professor)로 승진했다. 특히, 그는 1967년부터 1971년까지 미국 국립과학원 회보(Proceedings of the National Academy of Sciences, PNAS)에 신경망 이론과 관련된 기초 논문들을 게재하며 학계에 큰 영향을 미쳤다.
1975년, 그로스버그는 보스턴 대학교(Boston University)의 정교수(Full Professor)로 초빙되었으며, 이후 지금까지 해당 대학교에서 연구와 교육을 이어오고 있다.
그는 보스턴 대학교에서 인지 및 신경 시스템 학과(Department of Cognitive and Neural Systems)를 설립했으며, 여러 학제 간 연구 센터(Interdisciplinary Research Centers)와 국제 연구 기관(International Institutions)을 창립하며 학문 발전에 기여했다.
연구[편집]
스티븐 그로스버그(Stephen Grossberg)는 계산 신경과학(computational neuroscience), 연결주의 인지과학(connectionist cognitive science), 신경형태 기술(neuromorphic technology) 분야의 선구자이다. 그의 연구는 개인 또는 기계의 행동이 예기치 못한 환경적 도전에 실시간으로 자율적으로 적응할 수 있도록 하는 설계 원리와 메커니즘에 초점을 맞추고 있다. 이 연구는 시각 및 이미지 처리, 객체, 장면, 이벤트 학습, 패턴 인식 및 탐색, 청각, 음성 및 언어, 인지 정보 처리 및 계획, 강화 학습 및 인지-정서 상호작용, 자율 주행, 적응적 감각-운동 제어 및 로보틱스, 자기 조직화 신경역학(self-organizing neurodynamics), 정신 장애 등 다양한 분야의 신경 모델을 포함한다. 그로스버그는 또한 실험 연구자들과 협력하여 이론적 예측을 검증하고 실험 문헌에서 개념적으로 중요한 간극을 메우는 실험을 설계하며, 신경 시스템의 수학적 역학을 분석하고, 생물학적 신경 모델을 공학 및 기술 분야에 적용한다. 그는 18권의 책 또는 특별호 저널, 560편 이상의 연구 논문을 발표했으며 7개의 특허를 보유하고 있다.
그로스버그는 1957년 다트머스 대학(Dartmouth College) 신입생 시절 심리학 입문 과정을 수강한 이후로 뇌가 어떻게 마음을 만들어내는지 연구해 왔다. 당시 그는 비선형 미분 방정식 시스템을 사용하여 뇌 메커니즘이 행동 기능을 어떻게 만들어내는지 보여주는 패러다임을 도입했다. 이 패러다임은 고전적인 마음/몸 문제를 해결하는 데 도움을 주고 있으며, 오늘날 생물학적 신경망 연구에서 사용되는 기본 수학적 형식주의이다. 특히, 1957-1958년에 그로스버그는 (1) 단기 기억(STM) 또는 신경 활성화(Additive 및 Shunting 모델, 또는 John Hopfield가 1984년 Additive 모델 방정식을 적용한 후 Hopfield 모델로 불림), (2) 중기 기억(MTM) 또는 활동 의존적 습관화(습관적 전달자 게이트 또는 Larry Abbott이 1997년 이 용어를 도입한 후 우울 시냅스로 불림), (3) 장기 기억(LTM) 또는 신경 학습(게이트 최급 강하 학습으로 불림)에 널리 사용되는 방정식을 발견했다. 이러한 학습 방정식의 한 변형인 Instar 학습은 1976년 그로스버그가 적응 공명 이론(Adaptive Resonance Theory) 및 자기 조직화 지도(Self-Organizing Maps)에 도입하여 이러한 모델에서 적응 필터 학습을 위해 사용되었다. 이 학습 방정식은 1984년 코호넨(Kohonen)이 자기 조직화 지도를 적용할 때도 사용되었다. 또 다른 변형인 Outstar 학습은 1967년 그로스버그가 공간 패턴 학습을 위해 사용하기 시작했다. Outstar와 Instar 학습은 1976년 그로스버그에 의해 결합되어 m차원 입력 공간에서 n차원 출력 공간으로의 다차원 지도 학습을 위한 3층 네트워크로 적용되었다. 이 응용은 1987년 헥트-닐슨(Hecht-Nielsen)에 의해 역전파(Counter-propagation)로 명명되었다.
1964년 록펠러 박사 학위 논문을 기반으로 1960년대와 1970년대에 그로스버그는 Additive 및 Shunting 모델을 이러한 모델뿐만 아니라 비신경 생물학적 모델을 포함하는 동적 시스템 클래스로 일반화하고, 이 더 일반적인 모델 클래스에 대한 콘텐츠 주소 지정 메모리 정리를 증명했다. 이 분석의 일환으로, 그는 경쟁 시스템의 한계 및 진동 역학을 분류하기 위해 시간에 따라 어떤 개체군이 승리하는지 추적하는 Liapunov 함수 방법을 도입했다. 이 Liapunov 방법은 1981년 마이클 코헨(Michael Cohen)과 함께 Additive 및 Shunting 모델을 포함하는 대칭 상호작용 계수를 가진 동적 시스템 클래스에서 전역 한계가 존재함을 증명하는 Liapunov 함수를 발견하고 1982년과 1983년에 발표하게 했다. 이 모델은 종종 Cohen-Grossberg 모델 및 Liapunov 함수로 불린다. John Hopfield는 1984년 Additive 모델에 대한 Cohen-Grossberg Liapunov 함수의 특수한 경우를 발표했다. 1987년 Bart Kosko는 STM의 전역 수렴을 증명한 Cohen-Grossberg 모델 및 Liapunov 함수를 적용하여 STM과 LTM을 결합하고 전역적으로 한계에 수렴하는 적응 양방향 연관 메모리(Adaptive Bidirectional Associative Memory)를 정의했다.
그로스버그는 뇌와 행동에 관한 다양한 주제에 걸쳐 기본 개념, 메커니즘, 모델 및 아키텍처를 도입하고 동료들과 함께 개발했다. 그는 100명 이상의 박사 과정 학생 및 박사후 연구원과 협력했다.
이러한 모델은 청각 및 시각 지각, 주의, 의식, 인지, 인지-정서 상호작용, 행동 등에 대한 심리학적 및 신경생물학적 데이터를 통합적이고 원리적으로 설명한다. 이 작업은 알츠하이머병, 자폐증, 기억상실증, PTSD, ADHD, 시각 및 청각 인식장애 및 무시, 서파 수면 등의 정신 장애의 행동 증상이 특정 뇌 손상이나 병변에 의해 어떻게 발생하는지 모델링한다.
이 모델들은 또한 공학, 기술, AI 분야의 대규모 응용 프로그램에 적용되었다. 종합적으로, 이들은 자율적 적응 지능 알고리즘, 에이전트 및 모바일 로봇을 설계하기 위한 청사진을 제공한다.
이러한 결과는 그로스버그의 2021년 출간작 《Conscious Mind, Resonant Brain: How Each Brain Makes a Mind》에서 대화 형식의 비기술적 설명으로 통합되었다. 이 책은 2022년 미국출판협회(Association of American Publishers)의 PROSE 도서상 신경과학 부문을 수상했다.
그로스버그가 도입하고 개발을 도운 모델에는 다음과 같은 것들이 있다:
- 신경망 연구의 기초: 경쟁 학습, 자기 조직화 지도, Instar, 마스킹 필드(분류용), Outstar(공간 패턴 학습용), Avalanche(순차적 순서 학습 및 수행용), Gated Dipole(상반 처리용)
- 지각 및 인지 발달, 사회적 인지, 작업 기억, 인지 정보 처리, 계획, 수치 추정, 주의: 적응 공명 이론(ART), ARTMAP, STORE, CORT-X, SpaN, LIST PARSE, lisTELOS, SMART, CRIB
- 시각 지각, 주의, 의식, 객체 및 장면 학습, 인식, 예측 재매핑, 탐색: BCS/FCS, FACADE, 3D LAMINART, aFILM, LIGHTSHAFT, Motion BCS, 3D FORMOTION, MODE, VIEWNET, dARTEX, cART, ARTSCAN, pARTSCAN, dARTSCAN, 3D ARTSCAN, ARTSCAN Search, ARTSCENE, ARTSCENE Search
- 청각 스트리밍, 지각, 음성 및 언어 처리: SPINET, ARTSTREAM, NormNet, PHONET, ARTPHONE, ARTWORD
- 인지-정서 역학, 강화 학습, 동기 부여 주의, 적응적 시간 행동: CogEM, START, MOTIVATOR; Spectral Timing
- 시각 및 공간 탐색: SOVEREIGN, STARS, ViSTARS, GRIDSmap, GridPlaceMap, Spectral Spacing
- 눈, 팔, 다리 운동의 적응적 감각-운동 제어: VITE, FLETE, VITEWRITE, DIRECT, VAM, CPG, SACCART, TELOS, SAC-SPEM
- 자폐증: iSTART
경력 및 인프라 개발[편집]
그로스버그는 자신과 다른 모델링 개척자들이 발전시키고 있던 분야를 지원할 인프라가 거의 없거나 전무한 상황에서, 컴퓨팅 신경과학, 연결주의 인지과학, 뉴로모픽 기술 분야의 학제 간 교육, 연구, 출판을 위한 여러 기관을 설립했다. 1981년, 그는 보스턴 대학교에 적응 시스템 센터(Center for Adaptive Systems)를 설립하고 현재까지 소장으로 활동하고 있다. 1991년에는 보스턴 대학교에서 인지 및 신경 시스템 학과(Department of Cognitive and Neural Systems)를 설립하고 2007년까지 학과장을 역임했다. 2004년에는 교육, 과학, 기술 학습을 위한 NSF 우수 센터(CELEST)를 설립하고 2009년까지 소장을 맡았다.
이러한 기관들은 두 가지 중요한 질문에 답하기 위해 설립되었다.
- 뇌는 어떻게 행동을 조절하는가?
- 기술은 어떻게 생물학적 지능을 모방할 수 있는가?
1987년, 그로스버그는 국제 신경망 학회(INNS)를 설립하고 초대 회장을 맡았다. 그의 재임 14개월 동안 INNS는 미국 49개 주 및 38개국에서 3,700명의 회원을 확보했다. INNS 설립 이후 유럽 신경망 학회(ENNS)와 일본 신경망 학회(JNNS)가 잇따라 설립되었다. 또한, 그는 INNS 공식 학술지 Neural Networks를 창간하고 1987년부터 2010년까지 편집장을 역임했다. Neural Networks는 ENNS 및 JNNS의 공식 기록 학술지이기도 하다.
MIT 링컨 연구소에서 진행한 그로스버그의 강연 시리즈는 1987~88년 국가 DARPA 신경망 연구를 촉진했으며, 이는 신경망 연구에 대한 정부의 관심을 높이는 계기가 되었다. 그는 1987년 첫 번째 IEEE 국제 신경망 학술대회(ICNN)의 총괄 의장을 맡았으며, 1988년 첫 INNS 연례회의를 조직하는 데 중요한 역할을 했다. 이 두 학회는 1989년 합쳐져 국제 공동 신경망 학술대회(IJCNN)로 발전했으며, 현재까지 신경망 연구를 위한 최대 연례 학술대회로 유지되고 있다. 그로스버그는 1997년부터 2013년까지 연례 국제 인지 및 신경 시스템 학술대회(ICCNS)를 조직하고 주최했으며, 신경망 분야에서 다수의 학술대회를 기획했다.
그는 Journal of Cognitive Neuroscience, Behavioral and Brain Sciences, Cognitive Brain Research, Cognitive Science, Neural Computation, IEEE Transactions on Neural Networks, IEEE Expert, International Journal of Humanoid Robotics 등 30개 이상의 학술지에서 편집위원으로 활동했다.
수상 경력[편집]
그로스버그가 받은 주요 상훈:
- 1969년 노버트 위너 사이버네틱스 메달
- 1991년 IEEE 신경망 개척자상 (신경망 분야의 근본적인 이해 및 공학적 응용에 대한 공로)
- 1992년 INNS 리더십상
- 1992년 보스턴 컴퓨터 협회 사고 기술상
- 2000년 지능형 기계 협회 정보과학상
- 2002년 행동 독성학회 찰스 리버 연구소상
- 2003년 INNS 헬름홀츠상 (지각 연구에 대한 탁월한 공헌)
- 2015년 실험심리학회 노먼 앤더슨 평생 공로상 (뇌가 어떻게 마음을 형성하는지에 대한 이론적 연구 및 컴퓨팅 신경과학·연결주의 인지과학의 기초적 기여)
- 2017년 IEEE 프랭크 로젠블랫상 (뇌 인지 및 행동의 이해와 기술적 모방에 대한 공헌)
- 2019년 INNS 도널드 O. 헵상 (생물학적 학습 연구에 대한 탁월한 공헌)
- 2022년 미국 출판협회 신경과학 부문 PROSE 도서상 (Conscious Mind, Resonant Brain: How Each Brain Makes a Mind, 2021년 출간)
- 2022년 IEEE 시스템, 인간 및 사이버네틱스 학회 로트피 A. 자데 개척자상 (뇌 인지 및 행동의 이해와 기술적 모방에 대한 공헌)
- 2023년 Research.com 선정 컴퓨터 과학 리더상
학회 회원 자격[편집]
- 1990년 기억 장애 연구 학회(Memory Disorders Research Society) 회원
- 1994년 미국 심리학회(APA) 석학회원
- 1996년 실험심리학회 석학회원
- 2002년 미국 심리과학회 석학회원
- 2005년 IEEE 석학회원
- 2008년 미국 교육 연구 학회(AERA) 창립 석학회원
- 2011년 INNS 석학회원
적응공명이론 (ART)[편집]
그로스버그는 게일 카펜터(Gail Carpenter)와 함께 적응공명이론(Adaptive Resonance Theory, ART) 을 개발했다. ART는 뇌가 변화하는 환경에서 어떻게 빠르게 학습하고 안정적으로 기억을 유지하며 사물을 인식하는지를 설명하는 인지 및 신경 이론이다. ART는 안정성-가소성 딜레마(stability-plasticity dilemma) 에 대한 해결책을 제시했으며, 이는 새로운 정보를 빠르게 학습하면서도 기존의 유용한 기억을 쉽게 잊어버리지 않는 방법을 설명한다.
ART는 학습된 상향(bottom-up) 특징 패턴 과 하향(top-down) 기대값 간의 주의 집중 메커니즘을 통해 공명(resonance)이 발생할 때 빠른 학습이 촉진된다고 예측한다. 또한, 충분히 큰 불일치가 발생할 경우, 뇌는 기억 검색(memory search) 또는 가설 검증(hypothesis testing)을 통해 더 나은 인식 범주를 학습할 수 있다. ART는 이러한 과정이 자율적으로 이루어지는 자기조직적 생산 시스템(self-organizing production system) 을 형성한다고 설명한다.
그로스버그와 카펜터는 ART의 실용성을 입증하기 위해 ART 계열 분류기(ART 1, ART 2, ART 2A, ART 3, ARTMAP, 퍼지 ARTMAP, ART eMAP, 분산 ARTMAP)를 개발했다. 이러한 모델들은 빠르고 안정적인 학습과 예측이 필요한 다양한 공학 및 기술 응용 분야에서 사용되었다.
그로스버그는 "모든 의식 상태는 공명 상태이다" 라는 예측을 제시했다. ART는 주의 집중을 통해 선택된 특징 패턴과 학습된 인식 범주 간의 공명이 안정적으로 유지되면서 학습이 이루어지는 메커니즘을 설명한다. 또한, 이 과정에서 감각 질(qualia)을 담당하는 세포들이 포함될 경우, 의식적 인식이 가능해진다 고 주장했다. 이를 통해, 그는 ART를 활용하여 인간이 어떻게 시각, 청각, 촉각 등을 통해 세계를 인식하고, 이를 바탕으로 목표를 계획하고 행동하는지를 설명했다.
새로운 계산 패러다임[편집]
그로스버그는 생물학적 지능과 그 응용에 관련된 두 가지 계산 패러다임을 도입하고 개발을 이끌었다.
보완적 계산(Complementary Computing)[편집]
뇌의 전문화는 어떤 특성을 가질까? 많은 과학자들은 우리의 뇌가 디지털 컴퓨터처럼 독립적인 모듈을 가진다고 제안해왔다. 뇌가 서로 구분되는 해부학적 영역과 처리 경로로 조직되어 있다는 사실은 뇌 처리 과정이 실제로 전문화되어 있음을 보여준다. 그러나 독립적인 모듈은 특정 프로세스를 완전히 독자적으로 계산할 수 있어야 한다. 그러나 많은 행동 데이터는 이러한 가능성에 반대되는 증거를 제시한다.
보완적 계산(Grossberg, 2000, 2012)은 뇌에서 두 개의 평행한 대뇌 피질 처리 흐름이 보완적인 특성을 계산한다는 사실을 발견하는 것과 관련이 있다. 각 흐름은 물리학에서의 하이젠베르크 불확정성 원리와 유사하게 보완적인 계산적 강점과 약점을 가진다. 각 대뇌 피질 흐름은 여러 처리 단계를 가질 수 있다. 이러한 단계는 불확실성의 계층적 해결을 실현한다. 여기서 "불확실성"이란 주어진 단계에서 하나의 특성 집합을 계산하면 그 단계에서 보완적인 특성 집합을 계산할 수 없음을 의미한다.
보완적 계산은 뇌 처리에서 행동적 의미가 있는 계산 단위가 여러 처리 단계를 가진 보완적인 대뇌 피질 처리 흐름 간의 평행 상호작용으로 구성되어 특정 유형의 생물학적 지능에 관한 완전한 정보를 계산한다는 것을 제안한다.
층상 계산(Laminar Computing)[편집]
모든 유형의 고차원 지능을 담당하는 대뇌 피질은 층상 회로(일반적으로 6개의 주요 층)로 조직되어 있으며, 이는 특징적인 하향식, 상향식 및 수평적 상호작용을 겪는다. 이 공유된 층상 설계의 전문화가 어떻게 시각, 언어 및 언어 처리, 그리고 인지와 같은 다양한 유형의 생물학적 지능을 구현하는지 어떻게 될까요? 층상 계산은 이 과정이 어떻게 이루어질 수 있는지를 제안한다(Grossberg, 1999, 2012).
층상 계산은 신경피질의 층상 설계가 피드포워드 및 피드백 처리, 디지털 및 아날로그 처리, 그리고 상향식 데이터 기반 처리와 하향식 주의 깊은 가설 기반 처리의 최상의 특성을 어떻게 실현할 수 있는지 설명한다. 이러한 설계를 VLSI 칩에 구현하면 여러 응용 프로그램을 위한 점점 더 일반적인 목적의 적응형 자율 알고리즘의 개발이 가능해질 것이다.
참고 자료[편집]
- "Stephen Grossberg", Wikipedia
- "Grossberg", LinkedIn
같이 보기[편집]
이 문서는 인물사진 수정이 필요합니다.
