본 논문은 촉각 감각에 대한 신경과학적 이해와 인공 시스템에서의 효율성을 높이기 위해 새로운 인코더-어텐더-디코더(EAD) 프레임워크를 제시합니다. 맞춤형 설치류 촉수 배열 시뮬레이터에서 얻은 현실적인 촉각 입력 시퀀스를 사용하여 작업 최적화된 시간적 신경망을 체계적으로 탐색합니다. 촉각 분류에 있어 순전히 순전파 및 상태 공간 구조보다 합성곱 순환 신경망(ConvRNN)이 인코더로서 우수함을 확인하고, ConvRNN 인코더 기반 EAD 모델이 설치류 체감각 피질과 일치하는 신경 표현을 달성하여 설명 가능한 신경 변동성을 포화시키고, 지도 학습 분류 성능과 신경 정렬 간의 명확한 선형 관계를 보여줍니다. 또한, 촉각 특정 증강으로 훈련된 대조적 자기 지도 학습 ConvRNN 인코더 기반 EAD는 지도 학습 신경 적합을 달성하여 생태학적으로 관련성이 높은 레이블 없는 프록시 역할을 합니다. 신경과학적으로는 비선형 순환 처리가 체감각 피질에서 범용 촉각 표현에 중요함을 강조하며, 이 시스템의 기본적인 귀납적 편향에 대한 최초의 정량적 특성을 제공합니다. 임베디드 AI 측면에서는 현실적인 촉각 입력을 처리하기 위한 순환 EAD 구조의 중요성과 동물이 비구조화된 환경에서 감각을 인지하는 데 사용하는 것과 동일한 유형의 센서를 사용하여 강력한 촉각 인지를 달성하기 위한 맞춤형 자기 지도 학습 방법을 강조합니다.
