본 논문은 신경과학과 인공지능에서 오랫동안 알려진 뉴런 간의 '결합'이 네트워크의 더 깊은 계층에서 더 추상적인 개념을 나타내기 위해 표현을 압축하는 경쟁 학습의 한 형태를 유도한다는 점에 주목합니다. 최근에는 동적(시공간적) 표현이 신경과학과 인공지능 모두에서 중요한 역할을 한다는 가설이 제기되었습니다. 이러한 아이디어를 바탕으로, 본 논문은 임의의 연결 설계(전체 연결, 합성곱 또는 주의 메커니즘 등)와 결합될 수 있는 역치 단위에 대한 동적 대안으로 인공 Kuramoto 진동 뉴런(AKOrN)을 제시합니다. 일반화된 Kuramoto 업데이트는 동기화 역학을 통해 뉴런을 서로 결합합니다. 본 논문은 이 아이디어가 비지도 객체 발견, 적대적 견고성, 보정된 불확실성 정량화 및 추론과 같은 광범위한 작업에서 성능 향상을 제공함을 보여줍니다. 실험 결과는 신경 표현의 가장 기본적인 뉴런 수준에서 우리의 가정을 재고해야 할 필요성, 특히 동적 표현의 중요성을 보여줍니다.
