[[컴퓨터공학|컴퓨터 과학 & 공학
Computer Science & Engineering
]]- [ 펼치기 · 접기 ]
- ||<tablebgcolor=#fff,#1c1d1f><tablecolor=#373a3c,#ddd><colbgcolor=#0066DC><colcolor=white> 기반 학문 || 수학( 해석학 · 이산수학 · 수리논리학 · 선형대수학 · 미적분학 · 미분방정식 · 대수학( 환론 · 범주론) · 정수론) · 이론 컴퓨터 과학 · 암호학 · 전자공학 · 언어학( 형태론 · 통사론 · 의미론 · 화용론 · 음운론) · 인지과학 ||
하드웨어 구성 SoC · CPU · GPU( 그래픽 카드 · GPGPU) · ROM · RAM · SSD · HDD · 참조: 틀:컴퓨터 부품 기술 기계어 · 어셈블리어 · C/ C++ · C# · Java · Python · BIOS · 절차적 프로그래밍 · 객체 지향 프로그래밍 · 해킹 · ROT13 · 일회용 비밀번호 · 사물인터넷 · 와이파이 · GPS · 임베디드 · 인공신경망 · OpenGL · EXIF · 마이크로아키텍처 · ACPI · UEFI · NERF · gRPC · 리버스 엔지니어링 · HCI · UI · UX · 대역폭 · DBMS · NoSQL · 해시( SHA · 브루트 포스 · 레인보우 테이블 · salt · 암호화폐) · RSA 암호화 · 하드웨어 가속 연구
및
기타논리 회로( 보수기 · 가산기 · 논리 연산 · 불 대수 · 플립플롭) · 정보이론 · 임베디드 시스템 · 운영 체제 · 데이터베이스 · 프로그래밍 언어{ 컴파일러( 어셈블러 · JIT) · 인터프리터 · 유형 이론 · 파싱 · 링커 · 난해한 프로그래밍 언어} · 메타데이터 · 기계학습 · 빅데이터 · 폰노이만 구조 · 양자컴퓨터 · 행위자 모델 · 인코딩( 유니코드 · MBCS) · 네트워크 · 컴퓨터 보안 · OCR · 슈퍼컴퓨터 · 튜링 머신 · FPGA · 딥러닝 · 컴퓨터 구조론 · 컴퓨터 비전 · 컴퓨터 그래픽스 · 인공지능 · 시간 복잡도( 최적화) · 소프트웨어 개발 방법론 · 디자인 패턴 · 정보처리이론 · 재귀 이론 · 자연어 처리( 기계 번역 · 음성인식) · 버전 ( 버전 관리 시스템 · Git · GitHub)
1. 개요
계산신경과학 또는 컴퓨터신경과학은 신경과학의 분과로 한 개체가 (주로 사람, 영장류 혹은 설치류) 지각, 인지, 및 운동을 하는 과정 간 뇌에서 일어나는 정보의 처리과정을 연구하는 학문. 뇌를 하나의 생물학적 기관 (organ) 으로 보아 뇌를 구성하는 유기물 (단백질, 신경전달물질 등)에 대해 연구하는 신경과학 분과와 달리 뇌를 하나의 정보 처리 기관으로 간주해 탐구하는 학문 분야이다. 예컨대, 우리가 컴퓨터에 연결된 키보드의 오른쪽 화살표를 입력했을 때, 컴퓨터는 이를 인식하고 마우스 커서를 오른쪽으로 한칸 옮기는 작업을 수행하는데, 오른쪽 화살표라는 입력값(Input)이 어떤 과정을 거쳐 오른쪽으로 한칸 옮기는 작업(response)을 수행했는지를 확인하기 위해 CPU를 연구하는 것과 비슷한 맥락이다. 물론 CPU는 그렇게 처리가 되도록 사람이 설계를 했다는 점에서 매우 다르다. [1]. 계산신경과학에 속하는 다양한 분과의 공통점은 뇌가 수행하는 과정을 모델링하는데 있다. 계산신경과학에서의 모델링은 숫자 (보통 벡터)로 표현된 입력값과 출력값의 관계를 밝혀내는 것인데, 이 입력값, 출력값, 그리고 둘의 관계를 어떻게 정의하는지에 따라 계산신경과학 내에서도 다양한 분과가 나뉜다. 입력값과 출력값은 모두 사람의 행동 데이터나 뇌 데이터가 될 수도 있고 혹은 이론적 탐구를 통해서 나온 파라미터도 될 수 있다. 각 입력값과 출력값이 무엇이 될 지에 대한 문제는 과학자가 어떤 질문을 하느냐에 따라 달려있지, 더 나은 방법이라고 할 수 있을만한 것은 없다. 생물학에서의 센트럴 도그마처럼 모든 계산신경과학자가 동의하는 시작점조차 모호한 상황이지만 컴퓨터 성능의 발달과 인공지능의 발전에 힘입어 꾸준히 새로운 이론과 분석 방법들이 제기되고 있다.2. 역사
신경과학, 심리학, 그리고 컴퓨터과학의 융합으로 등장한 학문이라 그 역사가 정확히 언제부터 시작되었다고 하기도 모호하다. 계산신경과학 (Computational Neuroscience) 라는 단어는 1980년도에 처음 등장[2] 했는데, 이는 당시에 산재해있던 분과들을 통합해 뇌의 작동 방식에 대해 비슷한 입장을 가지는, 혹은 적어도 비슷한 방법론을 취하는 사람들끼리 하나의 연구적 공동체를 만들고자 함이었다. 이 초기의 계산신경과학자들 중에는 지각, 인지 및 운동에 관심이 있다기보단 단순히 뉴런의 활동전위를 모방하는 시뮬레이션 모델을 만드는데만 관심 있는 사람들도 있었고 (이 분들의 학문적 후예들은 현재 뇌 전체의 활동을 모방하는 시뮬레이션 모델을 만들고자 한다.), 아니면 오히려 그런 컴퓨터 기반 모델링보다는 이론적으로 뇌를 이해한다는 것이 무엇인지 [3], 어떤 계산 프로세스[4]를 어떻게 행동과 연결지을 수 있는지에 더 초점을 두고 다소 철학적인 질문을 던지는 사람들도 있었다.[5] 사실 이 두 가지는 관점의 차이라기보다는 방법론의 차이고, 최근 들어서는 두 분야 모두 획기적인 패러다임의 변화를 필요로 하고 있었는데, 이때 등장한 것이 인공지능이다. 인공지능 역시 사람과 같이 (적어도 현상적으로는) 어떤 인지, 지각 및 운동을 수행하는데 여기서 수행하는 계산 과정이 사람과 유사할 수도 있다는 가능성이 제기되면서 [6] 관련 분야에 많은 연구자들이 더욱 박차를 가하고 있다.3. 컴퓨터과학과 신경과학의 융합
뇌의 기능을 신경계를 구성하는 물질이 정보를 처리하는 과정, 곧 계산에 의하여 설명하기 위해 컴퓨터 과학과 신경과학이 융합하여 출현한 학제 간 연구가 계산신경과학(computational neuroscience)이다. 계산신경과학이라는 용어는 1985년 미국의 컴퓨터 과학자인 에릭 슈워츠가 처음 사용했지만, 정보처리 개념으로 뇌 기능을 연구한 역사는 그 뿌리가 깊다.계산신경과학의 역사는 1940년대로 거슬러 올라간다. 1943년 미국의 워런 매컬럭과 월터 피츠가 함께 발표한 논문이 그 효시라 할 수 있다. 이 논문은 뉴런의 형식 모델을 묘사하고, 뉴런이 학습과 같은 정신과정을 수행하기 위하여 어떻게 서로 연결되어 신경망이 형성되는가를 보여주었다. 그들의 신경망 연구는 1949년 캐나다의 도널드 헤브에 의해 한 걸음 더 발전된다. 헤브는 그의 저서인 『행동의 체제 The Organization of Behavior』에서 처음으로 신경망의 학습 규칙을 제안했다. 그는 뉴런이 제멋대로 연결되지 않고 학습의 결과에 따라 연결되어 신경망을 형성한다고 주장하였다.
계산신경과학의 초창기에 기록될 만한 연구 성과로 손꼽히는 것은 영국의 생리학자인 앨런 호지킨과 앤드루 헉슬리의 업적이다. 1952년 두 사람은 뉴런 사이에 신호가 전달되는 메커니즘을 밝혀내서 그 공로로 1963년에 노벨상을 받았다. 두 사람은 뉴런의 신경충격(활동전위)이 이온의 이동에 의해 일어난다는 이론을 내놓은 것이다.
1985년 미국에서 정보처리 개념으로 뇌의 기능에 접근하는 연구를 유기적으로 추진하기 위한 학술대회가 열렸다. 이 대회는 에릭 슈워츠가 주도하였으며 그는 ‘계산신경과학’이라는 용어를 처음 만들어냈다.
한편 스위스의 헨리 마크램은 블루진(Blue Gene) 슈퍼컴퓨터를 사용하여 뇌를 모의(시뮬레이션)하는 연구를 수행하고 있다. 2009년 7월 테드(TED) 컨퍼런스에서 마크램은 “10년 안에 사람 뇌 전체를 컴퓨터에 구축하는 것은 불가능하지 않을 것 같다. 그 인공 뇌는 사람 뇌처럼 지능을 갖고 말도 하고 행동할 것”이라고 전망했다.
4. 세부분야
다양한 분석 기법의 개발, 발달한 컴퓨터 성능, 그리고 인공지능의 붐으로 계산신경과학이 다루는 분야는 매우 다양해지고 스케일도 커졌다. 그리고 신경과학이 풀고자 하는 (주로 심리학에서 다뤄왔던) 인지적인 과정도 그 종류가 방대하기에 일관된 기준으로 세부분야를 나누기는 어렵다. 주로, 어떤 데이터를 사용하는지에 따라 취하는 분석 기법과 답할 수 있는 질문들이 나뉘어지므로 이 문서에서는 계산신경과학을 하는데 사용되는 데이터를 기준으로 세부분야를 서술한다.4.1. 뇌 이미징 데이터
Neuroimaging data. MRI 를 이용한 뇌구조영상과 fMRI, 나아가 PET, fNIRS, EEG 등을 통해 얻은 데이터를 통칭한다. 비침습적4.1.1. fMRI
fMRI (기능적자기공명영상)는 MRI 기계를 통해 찍을 수 있는 다양한 방법 중 하나이다. 예를 들어, 우리는 같은 사진기로도 빛 노출 정도, 포커싱 등을 조절함으로 우리가 필요한 부분을 강조해 사진을 찍을 수 있다. fMRI 란 MRI라는 사진기계를 통해 뇌에서 소비한 산소의 변화량, 즉 BOLD (Blood oxygen level dependent)라는 정보를 담아내게 찍은 결과물이다. fMRI 로는 2mm-3mm 정도 되는 복셀 단위로 뇌 전체를 찍을 수 있는데다가 이를 비교적 짧은 시간 단위로 (통상 500ms-2000ms) 찍을 수 있다는 장점이 있어 주로 네트워크 이론을 접목한 네트워크 단위의 연구가 많이 이루어지고 있다. 뇌를 하나의 네트워크라고 보면, 뇌의 영역들을 노드, 그리고 그 영역들간의 연결성을 (두 영역간 상호 관계의 정도를 나타낸 수치) 변 (edge) 에 상응하는 하나의 그래프로 생각해볼 수 있을 것이다. 이 그래프가 표상하는 값들을 네트워크 이론에서 이용하는 분석법들을 이용하거나, 머신러닝 기술의 입력값으로 이용해 모델링 (해당 문서의 기술모델과 예측모델을 참고) 을 한다.4.1.2. DWI (Diffusion Weighted Imaging)
자세한 원리는 다음 영상에서 DWI.위의 fMRI가 시간에 따른 뇌의 활성화 정도를 찍는 것이었다면, DWI는 같은 MRI기계로 뇌의 전반적인 구조를 찍는 방법이다. 비유를 들자면 DWI는 뇌에 분포하고 있는 뉴런들의 배선을 찍는 것이라면, fMRI는 그 배선을 타고 흐르는 신호를 찍는 것과 같다. 위에 기술한 바와 같이 fMRI는 신호의 신호대잡음비가 높은 편이기에 DWI를 같이 찍음으로, 얻는 신호의 신빙성 (reliability)를 높인다거나, 아니면 fMRI로 얻은 신호의 흐름이 DWI가 보여주는 구조 위에서 어떻게 흐르는지를 연구할 수도 있다. DWI를 통해 얻은 구조적인 연결성으로 개개인의 특성(trait)을 예측하려는 연구들도 많이 이루어지고 있다.
4.2. 신경세포 단위 데이터
직접 두개골에 구멍을 뚫고 뉴런들이 활성화하는 발화율 (firing rate) 을 측정한 데이터로 주로 동물연구에 많이 사용된다. 뇌 이미징 데이터보다 측정할 수 있는 뇌의 영역은 제한되지만, 측정하는 신호의 잡음 (noise) 이 비교적 적고 측정 빈도 (temporal resolution. ms 단위)가 훨씬 우수한 편이다. 사람에서는 윤리적인 이유로 이런 측정은 불가하며 뇌전증 환자 특이적으로 뇌피질전도 (ECoG) 를 측정하는 정도 (뇌전증 환자의 경우 치료 목적상 천두가 필요한 경우가 있는데 이때 피험자의 동의를 얻고 데이터를 얻는다.) 가 이에 준하는 데이터로 볼 수 있다. 신경생리데이터를 이용하기 시작한 매우 초기엔 아주 적은 수의 뉴런만 측정 가능했었다. 그래서 이 분야에서 나오는 과학자들의 주장은 대개 다음과 같이 이루어졌다. "어느 개체가, 어느 (특정 인지 과정을 동반하는) 과제를 수행할 때, 어느 영역의 뉴런들이, 반응을 한다 (혹은 하지 않는다.)" 이는 계산신경과학 분야에서 몇 안되는, 노벨상 수상을 받은 연구의 바탕이었으며 나아가 지금까지도 이어지는 생각인, 뉴런들의 반응에서 우리 인식의 기반을 찾을 수 있다는 사상적 토대를 이뤘다고 볼 수도 있다. 이후 많은 수의 뉴런들을 동시에 ( 뉴로픽셀) 측정할 수 있게 됨에 따라, 과학자들은 단순히 뉴런 몇 개가 반응을 하는지/안하는지를 넘어, 측정된 모든 뉴런들이 함께 움직이는 패턴이 어떻게 인식 과정과 연결지어질 수 있는지에 대해 고민하기 시작했다. 뉴런들이 움직이는 패턴을 수학적으로 생각해보면, 뉴런 1개가 반응하는 패턴을 1차원 데이터, 뉴런 100개에서 측정한 데이터는 100차원의 고차원 데이터로 생각해볼 수 있다 (100차원에서 일어나는 계산 과정!). 그래서 현재는 다른 분야에서 고차원 데이터를 분석하는데 사용됐던 데이터 분석 기술들이 대거 이용됨에 따라 신경생리 데이터를 이용한 계산신경과학은 그 어느 때보다 다양한 수학적 분석 기술과 모델들이 사용되고 있는 중이다. 그리고 후술할 인공지능 모델에서의 계산과정과도 밀접하게 연결지어 생각되고 있다. 나아가선 칼슘 이미징 (calcium imaging) 을 통해 모든 뇌의 영역에 걸쳐 데이터를 측정하는 방법도 사용되고 있다.4.3. 인공지능 모델
인공지능 모델을 활용한 신경과학 연구(neuroAI)의 대다수는 사람이 수행하는 인지과정과 비슷한 과정을 수행하는 인공지능 모델을 만들고 이 만들어진 모델이 과연 뇌와 비슷한 계산과정을 수행하는지 보는 방법을 취하고 있다. 어떻게 보면 인공지능 모델을, 뇌가 택할 수 있는 계산과정에 대한 하나의 가설로 보는 것이다. 인공지능이 지금과 같이 발전하지 않은 1900년대만 하더라도 이런 신경과학을 위한 인공지능은 생각하기 어려웠다. 오히려 뉴런의 신호 전달체계와 같이 신경과학에서의 발견을 어떻게 모사해 인공지능 모델을 만들 수 있을까에 대한 고민이 있었고 여기서 나온 것이 인공신경망의 퍼셉트론같은 개념들이다.뇌와 비슷한 계산과정을 본다는 것에 대한 설명을 덧붙이자면, 컴퓨터과학 (특히 정보이론)이 발달하면서 "정보"를 어떻게 정량화할 수 있는지 (단위가 있는 숫자로 표현할 수 있는지)에 대한 방법들이 연구됐고, 과학자들은 그것을 컴퓨터의 계산 단위 (bit)에서 나아가 우리가 살아가는 세계에서 들어오는 감각들과 그에 따른 반응까지 정보로써 정량화하고자 했다. 이는 곧 우리의 인지/행동 과정 뿐 아니라, 인공지능 모델의 학습까지 숫자들과 그 숫자들의 계산(단순하게는 사칙연산)으로 표현하려는 시도들로 이어졌다.
예컨대, 고양이 사진의 "픽셀값" 들은 인공지능 모델에서 일차적으로 처리되는 "숫자화된 정보값" 이다. 그 픽셀값들이 인공지능 모델에서는 인공지능 설계자가 설정해놓은 신경망을 거치면서 그것이 "고양이" 임을 알 수 있게끔 하는 정보처리 과정을 거친다. 이때 인공지능 모델이 고양이 픽셀값들을 처리하는 방식과 고양이 사진을 인식하는 사람의 뇌가 그 사진 정보를 어떻게 처리하는지를 비교함으로 둘에 과연 공통점이 있는지를 연구해볼 수 있는데, 놀랍게도 인공지능 모델과 사람의 정보 처리 방식이 비슷하다는 연구 결과가 꾸준히 발표되고 있다.
4.3.1. ANN (Artifical Neural Network)
신경과학에서 인공지능 모델, 특히 인공신경망이 어떻게 사용되는지 알기 위해서는 다음 4가지를 이해해야 한다.1. 입력값 (Input)
2. 출력값 (Output)
3. 모델 구조 (Architecture) 와 가중치 (Weight)
4. 비용 함수 (Cost function)
고양이 사진을 넣었을 때 그 사진이 고양이임을 인식하는 (적어도 그렇다고 보고하는) 인공신경망을 만든다고 가정해보자. 입력값 (Input)에 해당하는 고양이 사진의 픽셀값들이 개발자가 설정해놓은 모델 구조 (architecture)를 거쳐 어떤 출력값 (Output)을 내놓을 텐데 아직 학습을 못한 인공신경망의 경우, 고양이가 아닌 다른 값을 출력값 (Output) 으로 내놓을 것이다. 이렇게 우리가 원하는 값과 인공신경망의 대답이 다른 경우 오차가 발생하는데, 이 오차에 대한 함수를 비용 함수 (Cost function)라고 한다 (갑자기 웬 함수가 나오는가 하면, 오차를 다루는 다양한 방법이 있기 때문이다. 고양이가 아니면 아예 0점을 줘버릴 수도 있고 어느 정도 비슷한 구석이 있다고 판단되는 경우 50점 정도를 줄 수도 있는 것처럼). 이 비용 함수를 줄이기 위해 모델 구조 (Architecture)를 이루고 있는 가중치 (Weight)를 바꾸는데 이를 학습 (learning; 예를 들어 back propagation) 이라고 한다. 이에 대한 자세한 설명은 인공신경망 참조.
인공지능을 위한 인공신경망을 만드시는 분들의 관심사는 학습을 완료한 인공신경망이 (위의 예시를 가져오자면, 고양이 픽셀값을 고양이라고 보고할 수 있도록 학습된 가중치 (weight) 들의 집합) 얼마나 과제를 잘 수행하는지 (고양이 이미지를 고양이로 잘 구분하는지)의 여부다. 그렇다면 인공지능의 과제가 무엇인지를 생각하게 되는데, 사실 이것은 인공지능 개발자의 몫이다. 계속 들고 있는 고양이 예시처럼 단순히 패턴인식을 하는 인공신경망이 있는가하면 ChatGPT처럼 사람과의 대화를 하는 인공신경망도 있는데 이들의 괄목할만한 결과물들은 모두 2023년 기준 불과 20년 이내에 나온 것들이다. 인공신경망이 무엇을, 어디까지 할 수 있는지는 과학자들 내에서도 의견이 분분하다.
신경과학을 위한 인공신경망을 만드시는 분들의 큰 관심사는, 특정 과제를 학습한 인공신경망이 가지는 모델 구조 (Architecture) 와 가중치 (Weight) 가 그 특정 과제를 수행할 때의 뇌와 어떻게 비슷하고 다른지에 대한 문제다. 이는 구체적으로 무엇을 어떻게 측정해서 인공신경망과 뇌가 비슷하다고 할 것인지, 그리고 그 둘이 비슷하다는 것이 과학적으로 무엇을 의미하는지 등 다양한 문제를 내포하고 있다. 현재의 트렌드로는 주로 뇌와 인공신경망이 어떻게 정보를 표상하고 있는지 (information representation), 혹은 동역학계 (dynamical syststems) 의 개념들과 분석법들을 사용해 뇌와 인공신경망이 어떻게 비슷한 시스템으로 계산과정을 수행하는지에 대한 연구가 주를 이루고 있다.
4.3.2. RL (Reinforcement Learning)
5. 한계점
우리가 '사람의' 인지 과정이 아닌 '인지 과정' 자체가 궁금하다면 굳이 뇌를 연구할 필요가 없다. 이미 현존 인공지능 모델들은 고도의 인지과정을 수반한다고 생각되는 체스나 알파고로 유명한 바둑은 물론 간단한 대화까지 가능하다. 사람은 그 모든 걸 다 할 수 있다는 점에서 다르지만 어려워서 그렇지 그 역시 (말은 쉽지만) 모든 걸 할 수 있게끔 학습을 시키면 되는 것이므로 뇌가 그것을 어떻게 하는지 알아야 가능한 것은 아니다. 사람과 인공지능의 가장 큰 차이점은, 사람은 몸이라는 생물학적 제약조건 하에서 인지 과정들을 수행한다는 점이다. 그래서 뇌에서 얻는 데이터들은 그 생물학적 제약 내에서의 계산과정을 수집한 결과물이다. 재밌게도 인공지능이 수행하는 계산과정이 뇌가 수행하는 계산과정과 비슷하다는 연구 결과가 꾸준히 나오고 있다[7]. 이런 흐름 속에서 인공지능을 이용한 데이터 분석이 최근 계산신경과학의 트렌드이지만, 인공지능과 사람이 비슷한 계산 과정을 수행한다는 귀납적 탐구 결과의 축적이 결국 과학적으로 시사하는 바가 무엇인지에 대해선 매우 다양한 해석이 존재한다. 물론 각자가 가지는 관점에 따라 다르겠지만 인공지능이 사람의 어떤 행동까지 모사할 수 있는지, 결국 그 행동에 대한 필요충분조건을 만족시키는 계산과정이 있는 것인지 등 매우 다양한 질문을 던질 수 있을 것이다.6. 개설 연구기관, 교육기관
* 기초과학연구원 뇌과학이미징 연구단* 기초과학연구원 인지 및 사회성 연구단
* 한국뇌연구원
* 서울대학교 뇌인지과학과
* KAIST 생명과학기술대학 뇌인지과학과, 공과대학 바이오 및 뇌공학과
* 고려대학교 정보대학 뇌공학과, 뇌인지과학융합전공
* 성균관대학교 글로벌바이오메디컬공학과
* UNIST 바이오메디컬공학과
* DGIST 뇌·인지과학전공
* 한양대학교 데이터사이언스학부 심리뇌과학전공
[1]
계산신경과학자들이 연구하는 방법이 뇌를 이해하는 것에 어떻게 도움이 될 수 있는지 알아보기 위해 실제 컴퓨터를 연구한 논문도 있다. https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005268
[2]
https://en.wikipedia.org/wiki/Eric_L._Schwartz
[3]
인지신경과학 수업을 듣는다면 빠지지 않고 등장할 David Marr 의 영문 위키 참조. https://en.wikipedia.org/wiki/David_Marr_(neuroscientist)
[4]
컴퓨터과학의
논리 연산도 하나의 계산 프로세스에 해당한다. 뉴런들이 그런 수준에 상응하는 계산 프로세스를 수행할 것인지는 여전히 미지수.
[5]
예컨대, 심장이란 기관에 대해 연구해본다고 가정해보자. 전자의 연구자들은 심방과 심실 사이의 관계, 구체적으론 그 사이를 판막이 어떻게 가르고 언제 심박 소리가 나는지, 그리고 어떤 근육의 움직임으로 피를 전신에 보내는지에 대해 연구하는 사람들이다. 하지만 이 모든 과정을 이해한다고 우리가 심장을 완벽히 이해했다고는 말하기 어렵다. 후자의 연구자들은 도대체 그 복잡한 움직임들이 왜 일어나는지에 대해 생각하고 연구하는 사람들이다. 이런 사람들의 연구로 심장이 움직이는 이유가 결국엔 산소와 포도당을 전신에 보냄으로 우리의 생존을 유지시키는 것이라는 설명까지 있어야 심장에 대한 기계적인 설명만으로 그치지 않고 심장이란 어떤 기관인지에 대한 이해를 했다고 볼 수 있다.
[6]
https://www.pnas.org/doi/abs/10.1073/pnas.1403112111
[7]
https://www.nature.com/articles/nn.4244