본 논문은 인공 시스템이 공간 인식 및 추론 능력을 개발하는 방법에 대한 연구를 다룬다. 기존 모델들이 수동적 관찰에 의존하는 것과 달리, 본 연구는 능동적 환경 상호작용을 통해 심층적인 이해가 생성된다는 구현된 인지 이론에 기반하여, GRU와 메타 강화 학습(Meta-RL)을 사용하여 신경망이 평면 탐색 과제를 통해 자율적으로 공간 개념을 내재화할 수 있는지 조사한다. Hybrid Dynamical Systems(HDS)를 도입하여 에이전트-환경 상호작용을 폐쇄된 동적 시스템으로 모델링하고, 최적 탐색 전략에 해당하는 안정적인 한계 순환을 밝혀낸다. Ridge Representation을 사용하여 탐색 경로를 고정 차원의 행동 공간으로 매핑하고, 신경 상태와 비교한다. Canonical Correlation Analysis(CCA)는 이러한 표현 간의 강력한 정렬을 확인하여 에이전트의 신경 상태가 공간 지식을 능동적으로 인코딩함을 시사한다. 개입 실험은 특정 신경 차원이 탐색 성능과 인과적으로 연결됨을 보여준다. 이 연구는 AI에서 행동과 지각 간의 간극을 해소하는 접근 방식을 제공하며, 복잡한 환경에서 일반화할 수 있는 적응적이고 해석 가능한 모델을 구축하는 데 대한 새로운 통찰력을 제공한다. 신경 표현의 인과적 검증은 AI 시스템의 내부 메커니즘을 이해하고 제어하는 새로운 방향을 열어, 동적이고 실제 세계 시나리오에서 기계가 학습하고 추론하는 방식의 경계를 넓힌다.
