이스라엘 AI 혁신, 뇌-컴퓨터 인터페이스 발전 가능성

예루살렘, 14 October, 2026 (TPS-IL) — 이스라엘 연구진이 약 1시간 분량의 뇌 스캔 데이터를 활용해 뇌 활동으로부터 이미지를 재구성하는 인공지능(AI) 모델을 개발했다고 밝혔다. 이 모델은 시각 처리와 관련된 뇌 영역에서 이전에 알려지지 않았던 기능적 분할을 식별하기도 했다.

Weizmann Institute of Science의 Michal Irani 교수가 이끄는 팀이 개발한 이 모델의 이름은 Brain-IT다. 새로운 참가자에게 적응하기 위해 수십 시간의 뇌 스캔이 필요한 기존 시스템과 달리, Brain-IT는 사람마다 공유되는 패턴을 식별하여 더 적은 훈련으로 더 높은 정확도로 이미지를 재구성할 수 있다.

이미지 재구성 외에도 이 기술은 뇌가 시각 정보를 어떻게 구성하는지 과학자들이 이해하는 데 도움을 줄 수 있다. 또한 훈련이 덜 필요한 뇌-컴퓨터 인터페이스 개발을 발전시킬 수도 있지만, 실제 의료 적용까지는 아직 갈 길이 멀다.

Irani 교수는 “현재 뇌 활동을 이미지로 변환하는 모델들이 있으며, 이미지의 의미론적 의미를 상당히 잘 보존하는 인상적인 재구성을 생성할 수도 있다”면서도 “하지만 구성 및 색상과 같은 기본 특징에서 실수를 하는 경향이 있다”고 말했다.

그녀는 “우리가 개발한 새로운 모델은 이미지 내용과 세부 사항 모두를 재구성하는 데 있어 기존 모델들을 능가한다”며 “더욱이 다른 모든 모델은 새로운 사람을 ‘읽는’ 법을 배우기 위해 수십 시간의 뇌 스캔이 필요한 반면, 우리 모델은 단 1시간이면 충분하다”고 덧붙였다.

이 연구는 선도적인 인공지능 학회인 국제 학습 표현 학회(International Conference on Learning Representations)에서 올해 발표될 예정으로 선정되었다.

AI에게 뇌 읽는 법 가르치기

이 분야의 주요 장애물은 훈련 데이터 부족이다. 연구자들은 이미지를 기능적 자기공명영상(fMRI) 스캔과 쌍으로 필요로 하는데, fMRI는 사람들이 사진을 볼 때 뇌 활동의 변화를 측정한다. 이러한 데이터를 수집하려면 참가자들이 MRI 스캐너에서 많은 시간을 보내야 한다.

연구에 사용된 공개적으로 이용 가능한 Natural Scenes Dataset에는 8명의 참가자로부터 약 73,000개의 이미지-스캔 쌍이 포함되어 있으며, 각 참가자는 30~40회의 스캔 세션 동안 수천 개의 이미지를 보았다.

이러한 한계를 극복하기 위해 연구팀은 이미지로부터 뇌 활동을 예측하는 인코더와 뇌 활동으로부터 이미지를 재구성하는 디코더의 두 가지 상호 보완적인 시스템을 개발했다.

인코더는 참가자들이 MRI 스캐너 안에서 본 적이 없는 이미지에 대한 예측 뇌 스캔을 생성했다. 그런 다음 디코더는 예측으로부터 해당 이미지를 재구성하려고 시도하여, 각 이미지에 대해 새로운 스캔을 필요로 하지 않고 추가적인 예시로부터 시스템이 학습할 수 있도록 했다.

연구원들은 뇌를 약 40,000개의 작은 3차원 단위인 복셀(voxel)로 나누고 개인 간의 서로 다른 이미지에 대한 반응을 비교했다. 이를 통해 색상, 위치 및 인식 가능한 객체와 같은 시각적 특징과 관련된 반복적인 패턴이 드러났다.

인코더는 사람들에게 공유되고 시각 처리에서 특정 역할을 하는 것으로 보이는 128개의 기능적 영역을 식별했다. 일부는 이미 과학자들에게 알려져 있었고, 다른 일부는 새로운 것이었다.

한 가지 발견은 장소와 장면 처리에 관여하는 뇌 영역인 해마방이랑 장소 영역(parahippocampal place area)과 관련이 있었다. 연구원들은 이 영역 내에서 업무 분담의 증거를 발견했으며, 한 부분은 실내 장면에, 다른 부분은 실외 장면에 반응했다.

Irani 교수는 “인코더의 강점은 해부학적 위치가 다르더라도 다른 뇌에서 유사한 기능을 수행하는 영역을 식별하는 능력에 있다”고 말했다.

단기적으로 Brain-IT는 비용이 많이 들고 시간이 많이 소요되는 스캔의 필요성을 줄이면서 시각 처리 연구를 도울 수 있다. 개인 간에 공유되는 패턴을 식별하는 능력은 또한 과학자들이 새로운 사용자에게 적응하는 데 훈련이 덜 필요한 뇌-컴퓨터 인터페이스를 개발하는 데 도움이 될 수 있다. 추가 연구가 필요하다.