본 논문은 뉴런의 세포 특성을 이해하기 위해, 생물학적 사실 기반 모델을 통합하고 인과 관계를 확립하는 데 초점을 맞춘다. 기존 모델의 한계점과 딥러닝의 복잡성 부족 문제를 해결하기 위해, NOBLE이라는 신경 연산자 프레임워크를 개발했다. NOBLE은 해석 가능한 뉴런 특징의 연속적인 주파수 변조 임베딩에서 전류 주입에 의해 유도된 체세포 전압 반응으로의 매핑을 학습한다. 생물학적 사실 기반 뉴런 모델에서 생성된 합성 데이터를 기반으로 훈련된 NOBLE은 실험적 변동성을 고려한 신경 역학의 분포를 예측한다. NOBLE은 실험 데이터를 밀접하게 모방하고 시행 간 변동성을 보이는 합성 뉴런을 효율적으로 생성하며, 기존 수치적 솔버에 비해 속도를 4200배 향상시킨다. 또한, 실제 실험 데이터를 통해 일반화 성능을 검증한 최초의 대규모 딥러닝 프레임워크이다. NOBLE은 세포 구성 및 계산, 신경 형태 아키텍처, 대규모 뇌 회로, 일반적인 neuroAI 응용 분야에 대한 이해를 높일 수 있는 잠재력을 제시한다.
