본 논문은 촉각 감지에 대한 신경과학적 이해와 인공 시스템에서의 효과를 향상시키기 위해, 맞춤형 설치류 수염 배열 시뮬레이터에서 얻은 사실적인 촉각 입력 시퀀스를 사용하여 훈련된 작업 최적화 시간적 신경망의 공간을 체계적으로 탐색하는 새로운 인코더-어텐더-디코더(EAD) 프레임워크를 제시합니다. 본 연구는 촉각 분류에 있어 순수 전달 및 상태 공간 아키텍처보다 합성곱 순환 신경망(ConvRNN)을 인코더로 사용하는 것이 더 우수함을 밝혔습니다. 특히, ConvRNN 인코더 기반 EAD 모델은 설치류 체감각 피질과 매우 유사한 신경 표현을 달성하여 설명 가능한 신경 변동성을 포화시키고, 지도 학습 분류 성능과 신경 정렬 간의 명확한 선형 관계를 보여줍니다. 더 나아가, 촉각 특정 증강을 사용하여 훈련된 대조 자기 지도 학습 기반 ConvRNN 인코더 EAD는 지도 학습 신경 적합도와 일치하여, 생태학적으로 관련성이 높은 레이블이 없는 대리 모델 역할을 합니다. 신경과학적으로는 비선형 순환 처리가 체감각 피질에서 범용 촉각 표현에 중요함을 강조하고, 이 시스템의 기본 귀납적 편향에 대한 최초의 정량적 특성을 제공합니다. 인공지능 분야에서는 사실적인 촉각 입력을 처리하기 위한 순환 EAD 아키텍처의 중요성과 동물이 구조화되지 않은 환경에서 감지하는 데 사용하는 것과 동일한 유형의 센서를 사용하여 강력한 촉각 인식을 달성하기 위한 맞춤형 자기 지도 학습 방법의 중요성을 강조합니다.
