논문 브리핑
5명 뇌파로 가중치 2,730개 직접 작성…LLM이 만든 소형 신경망
글 · 한경모
AI가 뇌파 분석기의 가중치 2,730개를 직접 써서, 5명의 데이터로 기존 방식의 30명 학습에 견줄 결과를 냈다. 스위스 EPFL의 Dara Varam·Taraneh Aminosharieh Najafi·David Atienza가 11월 10일 공개한 논문 Mixed Signals의 성과다. 주목할 지점은 학습의 종말보다, 생체신호 지식을 작은 신경망에 옮겨 심는 새로운 제작 방식이다.
Weight-space programming은 LLM이 신경망의 계산 구조와 가중치를 살피고 숫자를 직접 수정하는 기법이다. 오차를 줄이는 방향으로 가중치를 반복 갱신하는 경사하강법 대신, 신호가 무엇을 의미하는지 추론해 계산을 설계한다. 게임과 이미지 생성 모델에서 시도된 접근을 뇌파 EEG와 심전도 ECG로 확장한 이번 연구는, 데이터가 적고 개인차가 큰 분야를 겨냥했다.
연구진은 클로드 Opus 5.5, GLM-5.3, DeepSeek-V4.1-Flash에 같은 도구와 지시를 주고 모델 해독·개선·수리·생성을 시험했다. 새 EEG 모델을 만드는 실험에서는 구조와 전극 위치, 5명의 기록을 제공하고 경사하강법은 금지하되 최대 100회 평가와 400회 코드 실행을 허용했다. 따라서 ‘추론만으로 만들었다’는 표현을 데이터 확인이나 프로그램 실행도 없었다는 뜻으로 읽으면 곤란하다.
- 성능: 눈을 뜨거나 감은 상태를 구분하는 Opus 모델은 미관측 65명에서 균형 정확도 83.4%로, 기존 5명 학습의 70.4%와 30명 학습의 80.6%에 대응했다.
- 작동 원리: 뒤통수 부근의 알파파를 인접 주파수 대역과 비교하도록 설계해, 알려진 생리학적 단서를 가중치로 구현했다.
- 비용: 제작에는 38~39분이 걸렸고, 같은 구조를 5명 데이터로 A100에서 학습하는 데는 2~5초가 들었다.
인사이트
LLM의 생리학 지식을 소형 신경망의 계산 구조로 옮길 수 있다는 가능성이 핵심이다. 당장의 사업적 기회는 학습 속도 경쟁보다 데이터가 부족한 모델의 설계와 오류 원인 분석에 있다.
자주 묻는 질문
- 진짜 5명 데이터만으로 30명 학습을 이긴 거야?
- 눈을 뜨거나 감은 상태를 구분하는 과제에서 5명의 기록으로 설계한 모델은 균형 정확도 83.4%, 기존 30명 학습 모델은 80.6%를 기록했다. 차이의 신뢰구간에 0이 포함되므로 통계적으로 확실히 이겼다고 단정할 수 없고, 비슷한 성능을 냈다고 해석하는 것이 적절하다.
- 그러면 GPU로 학습할 필요가 없어지는 거야?
- 이번 실험은 작은 EEG 분류기의 가중치를 만드는 과정에서 경사하강법을 사용하지 않았다는 뜻이다. 가중치 작성에는 38~39분이 걸려 A100에서의 기존 학습보다 느렸으며, LLM 자체의 사전학습과 실행에 필요한 연산까지 없어진 것은 아니다.
- 이걸 바로 의료기기에 넣어도 돼?
- 이 연구는 공개 데이터와 인위적으로 설정한 오류를 활용한 실험으로, 실제 의료기기의 임상 성능을 입증하지 않았다. 주요 실험의 반복 실행과 비공개 데이터 검증이 남아 있어, 현재 결과는 소형 모델 설계·디버깅의 가능성을 보여주는 근거로 봐야 한다.
이 기사 어땠어요?
피드백을 남겨주시면 더 나은 맞춤 추천을 만듭니다.