구획 모형

계산물리 수치해석 시뮬레이션 마지막 수정: 2026-08-11 04:41:19

1. 개요[편집]

구획 모형 Compartmental model
대상	수상돌기·축삭을 가진 단일 뉴런의 전기 동역학
지배 방정식	케이블 방정식의 공간 이산화
정식화	Rall (1964) · Hines (1984)
이산화	등전위 구획 + 축저항 결합 → 삼중대각형 희소계
선형 해법	Hines 소거법, O(n), 채움 없음
구획 수 기준	구획 길이 ≤ 0.1 λ_f (d_lambda 규칙)
소프트웨어	NEURON · GENESIS · MOOSE · Arbor
형태 데이터	NeuroMorpho.Org, SWC 포맷

구획 모형(compartmental model)은 뉴런의 가지 친 형태를 각각이 등전위라고 가정할 만큼 짧은 조각 — 구획 — 으로 쪼개고, 구획마다 막전위에 대한 상미분방정식을 세운 뒤, 이웃 구획을 축삭 방향 저항으로 연결해 얻는 뉴런 모형이다. 연속체인 케이블 방정식을 공간에 대해 이산화한 것이므로 본질적으로 유한체적법의 1차원판이고, 결과로 나오는 선형계가 트리 구조라서 $O(n)$ 에 정확히 풀린다는 것이 이 방법을 지난 60년간 표준으로 만든 이유다.

용어 주의. 역학(疫學)에서 인구를 감수성자·감염자·회복자 같은 칸으로 나누고 칸 사이 이동률로 미분방정식을 세우는 SIR 모형 계열, 그리고 약동학에서 약물 농도를 중심·말초 구획으로 나누는 모형도 영어로는 똑같이 compartmental model이라 부른다. 셋 다 “잘 섞인 칸 + 칸 사이 흐름”이라는 형식을 공유할 뿐 물리도 수치적 성격도 다르다 — 역학 쪽은 칸이 서너 개인 비선형 저차원계이고, 신경 쪽은 칸이 수백~수만 개인 희소 선형계다. 이 문서는 신경 구획 모형을 다룬다.

2. 케이블 방정식에서 구획으로[편집]

능동 막을 가진 케이블 방정식은

\frac{a}{2R_a}\frac{\partial^2 V}{\partial x^2} = C_m \frac{\partial V}{\partial t} + I_{\rm ion}(V, \mathbf{m})

이다. 이것을 축을 따라 유한 구간으로 나누고 각 구간을 등전위로 놓으면, 구획 $j$ 의 전하 보존은 곧바로

C_j \frac{dV_j}{dt} = -I_{\rm ion}^{(j)}\!\left(V_j, \mathbf{m}_j\right) + \sum_{k \in \mathcal{N}(j)} \frac{V_k - V_j}{R_{jk}} + I_{\rm inj}^{(j)}

가 된다. $\mathcal{N}(j)$ 는 구획 $j$ 와 물리적으로 붙은 이웃(부모 하나 + 자식 여럿), $C_j = C_m A_j$ 는 구획 막용량, $R_{jk}$ 는 두 구획 중심을 잇는 축저항으로

R_{jk} = \frac{R_a L_j}{2 A_j^{\rm cross}} + \frac{R_a L_k}{2 A_k^{\rm cross}}

즉 각자의 반쪽 저항을 직렬로 더한 값이다. 지름이 변하는 원뿔형 구획에서도 같은 방식으로 반쪽 저항만 적분해 주면 된다.

여기서 두 가지를 짚어 둘 필요가 있다.

이것은 유도가 아니라 이산화다. 균일한 원통을 등간격으로 자르면 위 식의 결합항은 정확히 2차 중심차분이 되어 $O(\Delta x^2)$ 정확도를 갖는다. 반대로 말하면, 구획 경계에서 지름이 갑자기 변하거나 간격이 들쭉날쭉하면 형식적 차수는 1차로 떨어질 수 있다.
게이팅 변수는 구획마다 따로 산다. 구획 하나에 HH형 채널을 걸면 상태변수가 $V$ 하나가 아니라 $m,h,n$ 까지 넷이다. 1000구획 뉴런이면 상태변수 수천 개짜리 강성 방정식계가 되고, 그래서 전압은 암시적으로, 게이트는 지수 적분기로 푸는 연산자 분리가 사실상 국룰이다.

시간 적분은 후진 오일러(무조건 안정, 1차)가 기본값이고, 2차가 필요하면 크랭크-니콜슨법 계열을 쓴다. 하인스가 제안한 방식은 전압은 정수 스텝, 게이팅 변수는 반 스텝에 두는 엇갈림 시간전진으로, 비선형 반복 없이 2차 정확도를 얻는 영리한 절충이다. 명시적 도식은 확산항의 $\Delta t \lesssim \Delta x^2$ 제약 때문에 실무에서 거의 쓰지 않는다.

3. 구획을 몇 개로 쪼갤 것인가[편집]

구획 모형의 유일하게 진지한 사용자 결정이 이것이다. 너무 적으면 전위 감쇠와 스파이크 전도 속도가 틀리고, 너무 많으면 비용만 나간다.

고전적 지침은 $\lambda/10$ 규칙 — 구획 길이를 국소 공간상수 $\lambda = \sqrt{dR_m/(4R_a)}$ 의 0.1배 이하로 잡으라는 것이다. 근거는 단순하다. 감쇠가 $e^{-\Delta x/\lambda}$ 인 구간을 한 계단으로 근사할 때의 상대오차가 $(\Delta x/\lambda)^2$ 규모이므로, 0.1이면 % 수준으로 떨어진다. 즉 기준은 길이(µm)가 아니라 전기적 길이( $\Delta x/\lambda$ )다. 굵은 가지는 길게 잘라도 되고 가느다란 원위 수상돌기는 잘게 잘라야 한다.

문제는 정상상태 $\lambda$ 가 DC 기준이라 시냅스 전위처럼 빠른 신호에는 너무 관대하다는 점이다. NEURON의 d_lambda 규칙은 그래서 100 Hz 교류의 감쇠 길이

\lambda_f \;=\; 10^{5}\sqrt{\frac{d}{4\pi f R_a C_m}}

를 쓴다( $d$ 는 µm, $R_a$ 는 $\Omega\cdot$ cm, $C_m$ 은 µF/cm², 결과는 µm). $\lambda_f \propto 1/\sqrt{f}$ 이므로 빠른 신호일수록 짧은 거리에서 깎이고, 따라서 더 잘게 썰라는 처방이 자동으로 나온다. 구획 수는 보통 홀수로 잡는데, 그래야 구간 한가운데에 노드가 놓여 시냅스를 중점에 정확히 붙일 수 있기 때문이다.

그리고 규칙이 무엇이든 결국 해야 하는 것은 메시 독립성 연구다. 구획 수를 두 배로 늘려도 관심 있는 출력(체세포 EPSP 진폭, 스파이크 시각, 전도 속도)이 안 바뀌는지 확인한다. 전도 속도는 특히 예민해서, 스파이크 전단이 지나가는 폭보다 구획이 굵으면 속도가 눈에 띄게 틀린다.¹

4. Hines 행렬 — 트리가 주는 선물[편집]

암시적 시간전진을 하면 매 스텝 $\mathbf{A}\mathbf{V}^{n+1} = \mathbf{b}$ 를 풀어야 한다. 한 줄짜리 케이블이면 $\mathbf{A}$ 는 삼중대각이라 토머스 알고리즘으로 끝이다. 그런데 수상돌기는 가지를 친다. 한 구획이 자식을 둘 이상 가지면 행렬은 더 이상 삼중대각이 아니고, 순진하게 가우스 소거법을 돌리면 채움(fill-in)이 생겨 $O(n)$ 이 깨진다 — 는 것이 상식이었다.

마이클 하인스(1984)의 관찰은 이렇다. 뉴런의 형태는 트리이고, 트리에서는 모든 노드가 부모를 정확히 하나만 갖는다. 구획 번호를 부모가 자식보다 항상 앞서도록(뿌리에서 깊이 우선으로 훑으며) 매기면, 번호가 큰 쪽(잎)에서 작은 쪽(뿌리)으로 소거를 진행할 때 각 소거가 건드리는 비대각 원소는 그 노드와 부모를 잇는 하나뿐이다. 채움이 원리적으로 발생할 수 없다. 따라서

전진 소거 + 후진 대입이 각각 $O(n)$ ,
저장량도 대각 $n$ 개 + 비대각 $2(n-1)$ 개로 $O(n)$ ,
상수까지 삼중대각 풀이와 거의 같다.

이 정렬로 만든 희소행렬을 Hines 행렬이라 부르고, NEURON을 비롯한 모든 구획 모형 시뮬레이터의 심장이 정확히 이 루틴이다. 수상돌기가 아무리 복잡해도 선형 해법 비용이 구획 수에 정비례한다는 것 — 이것이 형태를 그대로 넣고 시뮬레이션하는 일이 애초에 가능한 이유다.

대신 트리 구조를 깨는 순간 이 특권도 사라진다. 갭 정션(전기적 시냅스)으로 두 세포를 잇거나, 세포외 전위장을 함께 풀거나, 루프가 있는 회로를 넣으면 행렬은 일반 희소행렬이 되고 반복법이나 일반 희소 직접 해법으로 내려가야 한다. 병렬화도 같은 이유로 까다롭다 — 트리를 여러 프로세스에 쪼개면 소거가 순차적 의존을 갖기 때문에, 큰 세포 하나를 여러 코어에 나누는 것(multisplit)은 별도의 기법을 요구한다.²

5. 형태 데이터와 파라미터 적합[편집]

구획 모형에는 두 종류의 입력이 필요하다. 기하와 막 파라미터다. 앞의 것은 측정으로 얻고, 뒤의 것은 대체로 얻지 못한다.

기하는 염색·현미경·수동 또는 반자동 추적으로 재구성해 SWC 포맷(구획 하나가 id, type, x, y, z, radius, parent 한 줄)으로 저장한다. NeuroMorpho.Org 같은 공개 저장소에 종·부위·세포형별로 수십만 건이 모여 있어, 오늘날 형태를 직접 찍는 대신 내려받아 쓰는 것이 표준 워크플로가 됐다. 다만 재구성에는 고정 과정의 수축, 가는 가지의 누락, 지름 측정의 계통 오차가 섞여 있고 — 지름은 $\lambda \propto \sqrt{d}$ 와 $R_{jk} \propto 1/d^2$ 를 통해 결과에 강하게 들어간다. 형태 파일을 무비판적으로 신뢰하면 안 되는 이유다.

진짜 골칫거리는 채널 밀도다. 뉴런에는 수십 종의 이온 채널이 있고 각각의 최대 전도도 $\bar g$ 가 위치에 따라 달라지는데, 이것을 부위별로 직접 재는 것은 거의 불가능하다. 그래서 실측 발화 특징(발화율, 스파이크 폭, AHP 깊이, 적응 정도 등)을 목표로 놓고 최적화를 돌려 $\bar g$ 들을 맞춘다. 목적함수가 볼록하지도 미분 가능하지도 않아 유전 알고리즘 계열의 다목적 진화 알고리즘이 관행이다.

그런데 여기서 잘 알려진 함정이 나온다. 해가 유일하지 않다. 프린츠 등(2004)이 갑각류 위장 신경절 회로를 수백만 개의 파라미터 조합에 대해 훑어 본 결과, 전도도 값이 서너 배씩 차이 나는 서로 다른 조합들이 거의 구별할 수 없는 발화 패턴을 냈다. 파라미터 공간에 거의 평평한 골짜기가 뻗어 있고, 데이터는 그 골짜기를 따라서는 아무 정보도 주지 않는다. 실무적 귀결은 두 가지다.

여러 세포에서 잰 전도도를 평균 내어 하나의 “대표 모형”을 만들면 안 된다. 평균이 골짜기 위에 있으리라는 보장이 없어서, 실제로 아무 세포와도 닮지 않은 거동이 나오는 사례가 보고돼 있다.
적합 결과는 점 추정이 아니라 모집단으로 다뤄야 한다. 특징을 만족하는 모형 여러 개를 남기고, 예측이 그 전체에 걸쳐 견고한지 본다. 식별 가능성이 근본적으로 결여된 문제를 다루는 정석이다.

이것을 결함으로만 볼 필요는 없다. 생물학 쪽 해석은 오히려 반대다 — 뉴런이 발달·항상성 과정에서 전도도를 계속 갈아 끼우면서도 기능을 유지하려면, 애초에 골짜기가 넓어야 한다.³

6. 소프트웨어와 실전[편집]

NEURON (Hines & Carnevale, 1984~) — 사실상의 표준. 채널 동역학을 NMODL이라는 도메인 언어로 기술하면 C로 컴파일해 붙인다. Python 인터페이스와 NetPyNE 같은 상위 도구로 망 시뮬레이션까지 확장된다.
GENESIS (Bower & Beeman) — 같은 시대의 경쟁자. 객체 조립식 설계였고 후속인 MOOSE가 그 계보를 잇는다.
Arbor — 다중코어·GPU를 겨냥해 최근에 다시 쓴 구현. Hines 소거를 세포 여러 개에 걸쳐 벡터화하는 전략으로 GPU 컴퓨팅 이득을 낸다.

실전에서 가장 자주 나오는 실수는 의외로 수치가 아니라 모델링 쪽이다. 구획을 충분히 안 쪼개서 원위 시냅스가 과대평가되는 경우, 형태 파일의 단위(µm 대 mm)를 잘못 읽는 경우, nseg 를 바꾸고 시냅스 위치를 재지정하지 않아 시냅스가 다른 구획으로 옮겨 가 버리는 경우 등이다. 마지막 것은 특히 악질인데, 오류 메시지가 전혀 나지 않고 결과만 조용히 달라진다.

축약 방향도 살아 있다. 수백 구획을 두세 개(체세포 + 수상돌기 + 축삭 초기분절)로 줄인 축약 구획 모형은 계산 비용을 두 자릿수 줄이면서도 버스팅이나 수상돌기 스파이크 같은 핵심 현상을 남길 수 있어, 대규모 스파이킹 신경망 시뮬레이션에서 점뉴런과 완전 형태 모형 사이의 타협점으로 쓰인다. 어느 축약을 고를지는 결국 무엇을 설명하려는가의 문제이고, 이건 난류 모델링에서 RANS와 LES를 고르는 것과 정확히 같은 종류의 결정이다.

7. 관련 문서[편집]

CFD 하는 사람에게는 익숙한 이야기다. 충격파 두께보다 굵은 격자로 초음속 유동을 풀면 충격파 위치가 틀리는 것과 완전히 같은 현상이고, 처방도 같다 — 전단이 지나가는 곳만 국소적으로 잘게 썬다. ↩
“형태를 두 배로 정밀하게 넣었는데 왜 코어를 두 배로 줘도 안 빨라지죠?”의 답이 여기 있다. 세포 하나의 Hines 소거는 본질적으로 순차적이라, 병렬화의 자연스러운 단위는 구획이 아니라 세포다. 그래서 대규모 망 시뮬레이션은 잘 스케일링되고, 초정밀 단일 세포 시뮬레이션은 잘 안 된다. ↩
이 관점에서 보면 파라미터 비유일성은 버그가 아니라 사양이다. 다만 논문에 “우리 모형은 실측을 잘 재현한다”라고 쓸 때 그 문장이 “우리가 찾은 파라미터가 옳다”를 뜻하지 않는다는 것은 별개로 정직하게 밝혀야 한다. 재현은 검증이 아니다. ↩