3단계: 신경보철, 뉴로모픽 컴퓨팅, 침습적 BCI

이론적 기초 — 뇌는 어떤 언어로 말하는가?

1단계에서 우리는 뇌파(EEG)를 통해 뇌가 전기 신호를 내보낸다는 것을 배웠고, 2단계에서는 fMRI로 어떤 뇌 영역이 어떤 기능을 담당하는지 살펴봤다. 이번 3단계는 그 두 지식을 결합해 훨씬 급진적인 질문을 던진다: "그렇다면 우리가 그 전기 신호를 직접 만들거나, 읽거나, 심지어 실리콘으로 흉내 낸다면 어떻게 될까?" 이 질문에 답하기 위해 먼저 뇌가 정보를 처리하는 가장 기본 단위인 뉴런의 언어를 이해해야 한다.

뉴런은 자극이 충분히 쌓이면 갑작스럽게 약 +40mV까지 전압이 치솟았다가 다시 -70mV로 떨어지는 사건을 일으킨다. 이것을 활동전위(Action Potential) 혹은 **스파이크(Spike)**라고 부른다. 핵심은 스파이크 자체의 크기는 항상 동일하다는 것이다 — 크게 자극받든 작게 자극받든 스파이크의 전압 폭은 같다. 그러면 뇌는 자극의 세기를 어떻게 구분할까? 바로 발화 빈도(Firing Rate) 로 구분한다. 가벼운 빛은 망막 신경세포가 초당 10번 스파이크를 내고, 강렬한 빛은 초당 100번을 낸다. 이것을 주파수 코딩(Rate Coding) 이라고 부른다. 1단계에서 EEG의 알파파(8~~13Hz), 베타파(13~~30Hz)를 봤을 때 '주파수'가 중요했던 이유가 바로 이것과 연결된다 — 뇌의 정보 전달 자체가 주파수 기반이다.

[노트 기록] 신경 코딩의 두 가지 방식: Rate Coding (발화 빈도로 자극 강도 표현) / Temporal Coding (스파이크가 정확히 언제 오는지로 정보 표현). 두 방식이 동시에 사용된다고 알려져 있다.

이제 감각 기관의 구조를 생각해보자. 소리를 예로 들면, 귀의 달팽이관(와우, Cochlea)은 마치 피아노 건반처럼 위치마다 다른 주파수의 소리에 반응한다. 달팽이관 입구 쪽은 고음(20,000Hz)에, 가장 안쪽은 저음(20Hz)에 반응한다. 이 공간적 배열을 토노토픽 지도(Tonotopic Map) 라고 하며, 이 지도는 청각 피질까지 그대로 유지된다. 시각도 마찬가지다 — 망막의 중심부(fovea)에서 온 신호는 시각 피질의 특정 영역에, 주변부에서 온 신호는 또 다른 영역에 매핑된다. 이를 레티노토픽 지도(Retinotopic Map) 라고 한다. 뇌는 정보를 공간 위치로도 인코딩한다는 이 사실이 신경보철 설계의 핵심 원리가 된다. 인공 기기가 "어느 위치의 전극"에 자극을 주느냐에 따라 어떤 주파수의 소리가, 혹은 어느 위치의 빛이 들린다/보인다고 뇌가 해석하기 때문이다.

1단계에서 배운 LTP(Long-Term Potentiation) — 뉴런 간 연결이 반복 자극에 의해 강화되는 시냅스 가소성 — 을 다시 떠올려보자. 신경보철 기기가 처음 이식됐을 때 뇌는 낯선 전기 패턴을 잘 이해하지 못한다. 그러나 수주에서 수개월에 걸쳐 반복적으로 자극이 들어오면 뇌는 재학습한다. 인공 와우 이식자가 처음에는 소리를 이해 못하다가 훈련을 통해 말을 알아듣게 되는 과정은 신경 가소성이 실제로 작동하는 임상적 증거다. 기기를 설계할 때 뇌의 가소성을 '협력자'로 삼아야 한다는 철학이 여기서 나온다.

본 내용 I — 신경보철학: 손상된 감각을 재건하다

신경보철학(Neural Prosthetics)은 신경계의 손상된 기능을 전자 기기로 대체하거나 보완하는 분야다. 역사상 가장 성공적인 신경보철 기기는 **인공 와우(Cochlear Implant)**로, 현재 전 세계적으로 약 70만 명 이상이 사용하고 있다 (Wilson & Dorman, 2008, Nature Reviews Neuroscience). 인공 와우가 어떻게 작동하는지 이해하면, 신경보철 설계 전반의 원리가 보인다.

소리가 들어오는 경로를 따라가보자. 외부 마이크가 소리를 잡아 전기 신호로 변환한다. 그 신호는 **신호 처리기(Speech Processor)**로 들어가 여러 주파수 대역으로 분리된다 — 마치 1단계에서 배운 FFT(고속 푸리에 변환)처럼, 복잡한 음성 신호를 주파수 성분으로 분해하는 것이다. 분리된 각 주파수 대역의 정보는 달팽이관 안에 삽입된 **전극 어레이(Electrode Array)**의 해당 위치로 전달된다. 토노토픽 지도에 맞게, 고음 주파수 대역의 전극은 달팽이관 입구 쪽에, 저음 대역은 안쪽에 위치한다. 각 전극이 주변의 **나선 신경절 뉴런(Spiral Ganglion Neurons)**에 전기 펄스를 보내면, 그 신호가 청신경을 타고 뇌간과 청각 피질까지 전달된다. 뇌는 이 패턴을 소리로 해석한다.

[노트 기록] 인공 와우 신호 흐름: 마이크 → 신호 처리기 (FFT, 주파수 분해) → 전극 어레이 (토노토픽 배치) → 나선 신경절 뉴런 → 청신경 → 청각 피질

기술적 도전은 여러 층에 있다. 현재 상용 인공 와우는 보통 1222개의 전극 채널을 갖는데, 정상 달팽이관에는 약 3,500개의 내부 유모세포가 있다. 즉, 우리는 3,500개의 독립 정보 채널을 22개로 압축해서 전달하는 것이다. 채널 수가 늘어날수록 음질이 좋아지지만, 인접 전극 간의 전기장이 겹쳐 서로 간섭하는 '채널 크로스토크(Channel Crosstalk)' 문제가 발생한다. 또한 각 전극이 신경 조직에 주입할 수 있는 전하량은 생체 안전성 때문에 제한된다 — 너무 강한 전류는 신경 조직을 파괴한다. 허용되는 최대 전하 밀도는 보통 **3050 μC/cm²** 수준으로 엄격히 통제된다. 전극 재료는 플래티넘-이리듐 합금이 주로 쓰이는데, 생체 적합성(Biocompatibility)과 전기화학적 안정성 때문이다.

**인공 망막(Artificial Retina)**은 더 복잡하고 어렵다. 망막에는 광수용체(간상세포, 원뿔세포), 수평세포, 양극세포, 신경절세포까지 6개 층의 세포가 계층 구조를 이루며 이미지를 전처리한다. 인공 망막은 이 전처리 회로를 대부분 우회하고, 신경절세포(Retinal Ganglion Cell, RGC)에 직접 자극을 준다. 대표적 기기 **Argus II(Second Sight Medical Products)**는 60개의 전극 어레이를 망막 위에 올리는 에피레티날(Epiretinal) 방식으로, 안경에 달린 카메라가 이미지를 찍어 60픽셀짜리 전기 패턴으로 변환해 전극에 보낸다. 사용자는 60개의 밝고 어두운 점으로 이뤄진 세계를 본다 — 마치 초초저해상도 LED 전광판처럼. 반면 서브레티날(Subretinal) 방식(Alpha AMS, Retina Implant AG)은 손상된 광수용체 자리에 광전지 배열을 심어 빛 자체가 전극을 구동하게 만든다. 이 방식은 망막의 나머지 신경 회로를 살릴 수 있어 더 자연스러운 신호 처리가 가능하다는 이점이 있다.

생각해볼 질문을 던져보자: 인공 망막이 60개 전극밖에 없다면, 사용자는 글자를 읽을 수 있을까? 직접 계산해봐라 — 표준 인쇄 글자 'A'를 인식하려면 최소 몇 픽셀이 필요한지를.

본 내용 II — 뉴로모픽 컴퓨팅: 뇌를 실리콘으로 빌드하다

여기서 관점을 180도 바꿔보자. 신경보철은 "기계로 뇌를 돕는다"였다면, 뉴로모픽 컴퓨팅(Neuromorphic Computing) 은 "뇌의 방식으로 기계를 만든다"다. 우리가 지금 쓰는 컴퓨터 — 폰 노이만 구조 — 는 CPU와 메모리가 분리돼 있고, 데이터가 둘 사이를 끊임없이 오간다. 이 병목을 폰 노이만 병목(Von Neumann Bottleneck) 이라고 부른다. ChatGPT를 학습시키는 거대 AI 모델은 수만 개의 GPU가 수십 메가와트(MW)의 전력을 소모한다. 반면 인간의 뇌는 약 20와트(W) — 노트북 충전기 수준 — 로 그보다 훨씬 복잡한 작업을 한다. 비결은 뇌에서는 '처리'와 '저장'이 같은 장소, 즉 시냅스에서 일어난다는 것이다.

뉴로모픽 컴퓨팅의 핵심 모델은 **스파이킹 신경망(Spiking Neural Network, SNN)**이다. 우리가 이미 알고 있는 딥러닝의 인공신경망(ANN)과 무엇이 다른지를 이해하는 것이 중요하다. ANN에서 뉴런은 연속적인 부동소수점 값(예: 0.73)을 출력한다. 그러나 SNN의 뉴런은 오직 이진 스파이크 — 0 또는 1 — 만 발생시키며, 그 타이밍이 정보를 담는다. 이것이 앞서 설명한 실제 뉴런의 발화 방식과 동일하다.

SNN의 가장 기본적인 뉴런 모델은 LIF(Leaky Integrate-and-Fire, 누수 통합 발화) 모델이다. 수학적으로 표현하면:

$τ_{m} \frac{d V}{d t} = - (V - V_{r es t}) + R \cdot I (t)$

겁먹지 마라 — 이걸 물리적으로 해석하면 간단하다. V는 현재 막전위(Membrane Potential), V_rest는 안정 시 전압(-70mV), I(t)는 들어오는 입력 전류, R은 막 저항, τ_m은 시상수(time constant)다. 핵심은 두 가지: 입력이 들어오면 V가 올라가고(Integrate), 입력이 없으면 V가 자연스럽게 V_rest로 새어나가며 떨어진다(Leak). V가 **임계값(Threshold, Vth)**을 넘으면 스파이크를 발생시키고 V를 V_rest로 리셋한다(Fire). 이 세 단계가 바로 뉴런이 하는 일의 전부다.

[노트 기록] LIF 모델 3단계: ① Integrate(입력 누적 → 막전위 상승) ② Leak(시간이 지나면 자연 감소) ③ Fire(임계값 초과 시 스파이크 발생 + 리셋). 비교: ANN 뉴런은 항상 연속값 출력, SNN 뉴런은 이산적 스파이크만 출력.

SNN이 어떻게 학습하는가? 여기서 1단계의 LTP가 다시 등장한다. STDP(Spike-Timing Dependent Plasticity, 스파이크 타이밍 의존 가소성) 는 시냅스 전(pre-) 뉴런이 시냅스 후(post-) 뉴런보다 먼저 발화하면 시냅스를 강화하고, 반대로 후자가 먼저 발화하면 약화시키는 규칙이다. "Neurons that fire together, wire together" — 함께 발화하는 뉴런은 함께 연결된다는 Hebb의 법칙을 타이밍에 맞게 정교화한 것이다. 이 STDP는 역전파(Backpropagation) 없이 로컬하게, 즉 각 시냅스가 스스로 학습 규칙을 적용한다. 이것이 뉴로모픽 칩이 기존 GPU보다 에너지 효율이 수백 배 높은 이유 중 하나다.

실제 하드웨어 구현체들을 보면: Intel의 Loihi 2는 100만 개의 뉴런과 1억 개의 시냅스를 단일 칩에 집적하면서도 1mW 미만의 전력으로 동작한다. IBM의 TrueNorth는 4096개의 코어에 각 256개 뉴런, 총 약 100만 뉴런을 탑재하고 추론 시 70mW를 소비한다. 유럽의 대규모 뇌모방 컴퓨팅 프로젝트 Human Brain Project에서 개발된 BrainScaleS는 아날로그 회로로 뉴런을 구현해 실시간보다 10,000배 빠르게 시뮬레이션한다. 이 방식의 아이러니는, 아날로그 하드웨어가 디지털보다 뉴런의 연속적 물리현상을 더 자연스럽게 모사한다는 점이다.

본 내용 III — 침습적 BCI와 뉴럴링크: 뇌와 실리콘의 직접 연결

1단계에서 EEG로 뇌 신호를 읽었을 때, 두피와 두개골이라는 장벽 때문에 신호가 공간적으로 뭉개지고 잡음이 심하다는 한계가 있었다. 해결책은 단순하지만 대담하다: 두개골을 열고 전극을 직접 뇌에 꽂는 것. 이것이 **침습적 BCI(Invasive Brain-Computer Interface)**다.

현대 침습적 BCI의 역사는 1990년대 **유타 어레이(Utah Array)**로 시작된다. 100개의 규칙적으로 배열된 실리콘 바늘(각 1~~1.5mm 길이)이 피질에 꽂혀 수십~~수백 개의 뉴런 신호를 동시에 기록한다. 2004년 BrainGate 프로젝트에서 척수 손상으로 사지마비가 된 환자 Matthew Nagle이 유타 어레이를 운동 피질에 이식받아 생각만으로 커서를 움직이고 TV 채널을 바꾸는 데 성공했다 (Hochberg et al., 2006, Nature). 2단계에서 배운 운동 의사결정의 신경 회로 — 전두엽 운동 피질이 동작 계획을 신호로 발산한다는 사실 — 가 바로 이 기술의 이론적 기반이다.

뉴럴링크(Neuralink) 는 이 개념을 극한으로 밀어붙인다. Elon Musk가 2016년 공동 창립한 이 회사는 2023년 첫 인체 임상시험(PRIME Study)을 승인받아 2024년 첫 번째 환자 Noland Arbaugh에게 이식했다. 뉴럴링크의 핵심 기기 N1 칩은 1024개의 전극 채널을 처리하며, **64개의 폴리머 실(Thread)**에 분산돼 있다. 각 실의 두께는 약 5~10μm — 인간 모발(70μm)보다 훨씬 얇다. 이 실들은 뇨럴링크가 자체 개발한 수술 로봇 R1이 혈관을 피해가며 피질에 삽입한다. 수술의 정밀도가 마이크로미터 단위다.

신호 처리 파이프라인을 따라가면: 뉴런이 스파이크를 발생시키면 전극이 마이크로볼트(μV) 수준의 미약한 전압 변화를 감지한다. N1 칩 내부의 **아날로그 전치증폭기(Analog Pre-amplifier)**가 이 신호를 수천 배 증폭하고, **ADC(Analog-to-Digital Converter)**가 디지털화한다. 그 다음 스파이크 소팅(Spike Sorting) 알고리즘이 혼재된 신호에서 각 뉴런의 스파이크를 분리 식별한다 — 각 뉴런은 스파이크의 모양(파형)이 고유하기 때문에 가능하다. 최종적으로 디코딩 알고리즘(주로 칼만 필터 또는 딥러닝)이 스파이크 패턴으로부터 운동 의도를 추출해 외부 장치를 제어한다. 통신은 블루투스를 통해 무선으로 이뤄지며, 기기 내부 배터리는 무선 충전된다.

[노트 기록] 뉴럴링크 신호 체인: 뉴런 스파이크 (μV) → 전치증폭기 → ADC → 스파이크 소팅 → 디코딩 알고리즘 (칼만 필터/딥러닝) → 무선 블루투스 → 외부 기기 제어

기술적 난제로서 가장 중요한 것은 **만성 염증 반응(Chronic Foreign Body Response)**이다. 딱딱한 실리콘 전극이 뇌 조직에 삽입되면 뇌는 이를 이물질로 인식하고, **마이크로글리아(Microglia, 뇌의 면역세포)**와 **반응성 성상세포(Reactive Astrocyte)**가 전극 주위에 밀집해 절연층(글리알 흉터, Glial Scar)을 형성한다. 이 흉터가 두꺼워질수록 전극과 뉴런 사이의 거리가 멀어지고 신호 품질이 저하된다. 뉴럴링크가 실보다 훨씬 유연한 폴리머 재료로 전극을 만드는 이유 중 하나가 이것이다 — 뇌 조직과 유사한 탄성계수(기계적 유순성)를 가진 재료일수록 면역 반응이 완화된다는 연구가 있다.

마지막으로, 이 기술의 윤리적 차원을 생각하지 않을 수 없다. 2단계에서 알츠하이머 등 신경퇴행성 질환의 바이오마커를 분석했는데, 침습적 BCI는 바로 이런 환자들에게 먼저 적용되며 명백한 의료적 정당성을 갖는다. 그러나 기술이 발전해 건강한 사람이 인지 능력 강화를 위해 BCI를 이식하려 한다면? 뇌 데이터는 인터넷에 연결된 기기를 통해 유출될 수 있고, 기업이 사용자의 신경 데이터를 소유하게 된다면 누가 통제권을 갖는가? 신경 데이터는 DNA보다 더 민감한 개인 정보일 수 있다. 이 질문들에 대해 공학자와 과학자가 직접 답해야 하는 시대가 왔다.

프로젝트 — 스스로 설계하고 분석하라

아래 세 가지 프로젝트는 답이 없다. 설계하고, 계산하고, 논증하는 것이 목표다.

프로젝트 1: 인공 망막 전극 어레이 설계 (예상 소요 시간: 약 15분)

임상의사로부터 다음과 같은 요구사항을 받았다. 환자는 색각은 없지만 형태 인식 — 특히 글자 읽기와 얼굴 구분 — 이 가능한 인공 망막을 원한다.

먼저, 에피레티날 방식을 선택하되 전극 어레이를 설계하라. 구체적으로: (a) 글자 인식에 필요한 최소 해상도(픽셀 수)를 논리적 근거와 함께 추정하라. 알파벳 한 글자를 구분하기 위해 필요한 최소 픽셀 격자를 종이에 직접 그려보고, 몇 × 몇 격자가 필요한지 판단하라. (b) 전극 간 간격(Pitch)을 결정할 때, 채널 크로스토크 문제와 공간 해상도 사이의 트레이드오프를 설명하고 너의 설계 값(μm 단위)을 제시하라. 근거를 명시하라. (c) 총 전극 수가 많아질수록 임플란트 크기가 커지는데, 눈 속 공간 제약을 고려해 최대로 넣을 수 있는 전극 수의 물리적 한계를 논리적으로 추론하라. (d) 너의 설계를 Argus II(60채널)와 비교해, 환자의 요구를 충족시킬 수 있는지 평가하라.

프로젝트 2: LIF 뉴런 시뮬레이션 설계 및 분석 (예상 소요 시간: 약 15분)

이 프로젝트는 수식을 직접 다루는 사고 실험이다. 컴퓨터 없이 손으로 분석하라.

LIF 뉴런의 파라미터가 다음과 같이 주어졌다: 안정 막전위 V_rest = −70mV, 발화 임계값 V_th = −55mV, 막 시상수 τ_m = 20ms, 리셋 전압 V_reset = −70mV. 이 뉴런에 일정한 전류 I가 들어온다.

(a) 입력 전류가 없을 때(I = 0), 시간에 따라 막전위가 어떻게 변하는지를 그래프(시간 축 x, 전압 축 y)로 스케치하라. 시상수 τ_m이 물리적으로 의미하는 바를 설명하라. (b) I가 충분히 커서 막전위가 임계값에 도달한다고 가정하자. 스파이크 발생 후 리셋까지의 과정을 그래프에 추가하라. 이 뉴런이 연속으로 스파이크를 낸다면, 발화 빈도(Hz)는 파라미터 중 어떤 것에 가장 의존하는가? 논리적으로 추론하라. (c) 같은 LIF 뉴런 두 개가 시냅스로 연결돼 있다. Pre-뉴런이 발화한 후 5ms 뒤에 Post-뉴런이 발화했다. STDP 규칙에 따르면 이 시냅스의 가중치는 강화되는가, 약화되는가? 반대로 Post가 먼저 발화했다면? 이 규칙이 인과관계 학습에 어떻게 기여하는지 짧게 논술하라. (d) 뉴로모픽 하드웨어가 GPU보다 에너지 효율이 높은 이유를 LIF 모델의 스파이크 특성과 연결지어 설명하라. (힌트: GPU에서 ANN의 곱셈-덧셈 연산과 SNN의 스파이크 기반 연산의 차이를 생각하라.)

프로젝트 3: 침습적 BCI 시스템 안전성·윤리 분석 보고서 (예상 소요 시간: 약 10분)

Neuralink가 건강한 성인(22세, 대학생)에게 인지 강화 목적으로 N1 칩 이식을 제공하는 서비스를 출시한다고 가정하자. 너는 이 프로그램의 위험성을 평가하는 독립 연구자다. 아래 네 가지 영역에서 각각 최소 하나의 구체적이고 논리적인 우려사항과 그에 대한 잠재적 완화 방안을 제시하라.

영역 ①: 생물학적 안전성 — 글리알 흉터와 만성 염증 반응의 장기적 결과를 중심으로. 영역 ②: 사이버 보안 — 무선 데이터 전송 과정에서 발생 가능한 취약점과 뇌 데이터 해킹의 함의. 영역 ③: 형평성과 접근성 — 이 기술이 상용화됐을 때 사회 경제적 불평등을 어떻게 심화시킬 수 있는가. 영역 ④: 동의와 자율성 — 이식 후 설정을 기업이 원격으로 변경하거나 서비스를 종료할 경우 환자의 자율성은 어떻게 되는가. 마지막으로, 너는 이 서비스 출시에 찬성하는가, 반대하는가? 위의 분석을 종합해 하나의 입장을 논리적으로 정당화하라.

세 프로젝트를 마쳤다면, 이번 3단계의 세 가지 학습목표 — 신경 장치 설계, 뉴로모픽 하드웨어 이해, 침습적 BCI 파악 — 를 각각 스스로의 언어로 한 문단씩 설명해보라. 설명할 수 없다면 아직 이해가 덜 된 것이고, 설명할 수 있다면 배운 것이다. 그것이 기준이다.

뇌과학 및 인지 신경공학