AlphaFold에서 온 아이디어 — 유기적 기억 시뮬레이션과 지식 구조 예측 인터넷 검토

thesis의 시냅스 그래프를 설계하면서 자연스럽게 떠오른 질문이 있다.

인터넷에 이런 구조 — 유기적 기억 시뮬레이션, 3D 지식 구조 — 를 다루는 연구가 있는가?

있다. 그것도 2024~2025년에 집중적으로 나왔다. 그리고 그 중심에 AlphaFold가 있다.

1. AlphaFold가 하는 일

AlphaFold는 아미노산 서열 → 단백질 3D 구조를 예측한다 (DeepMind, 2021). 2024년 노벨 화학상. 핵심 질문은:

"1차원 서열이 어떻게 3차원으로 접히는가?"

이것은 사실 thesis의 질문과 정확히 같다:

"개별 논문(1차원 목록)이 어떻게 지식 공간(3차원)으로 접히는가?"

AlphaFold의 답: Evoformer + Triangle Attention.

1.1 Evoformer 아키텍처

Evoformer는 두 개의 트랙을 동시에 처리한다:

두 트랙은 계속 서로에게 정보를 전달하며 갱신된다. 이것을 재순환(recycling)이라 부른다 — thesis에서는 Hebbian 갱신에 해당한다.

1.2 Triangle Attention — 시냅스 삼각 추론

Evoformer의 핵심 혁신은 삼각 업데이트(Triangle Multiplicative Update)다:

$$W_{ij}^{\text{new}} = W_{ij} + \sum_k \sigma(W_{ik}) \cdot \sigma(W_{kj})$$

의미: "잔기 \(i\)와 \(j\)의 관계를 업데이트할 때, 공통 잔기 \(k\)를 통한 간접 경로도 반영한다."

thesis 적용: 논문 A와 C가 직접 연결되지 않아도, 둘 다 논문 B와 강하게 연결됐다면 — A-C 시냅스를 자동으로 추론한다.

$$W_{\text{thesis},\, AC}^{\text{inferred}} \mathrel{+}= \sum_{B} W_{AB} \cdot W_{BC}$$

이것이 연상(associative) 검색이다. 직접 키워드 없이도 연결 고리를 통해 논문을 찾아내는 원리.

1.3 AlphaFold 3 — Diffusion 기반 구조 예측

AlphaFold 3 (2024, Nature)는 Evoformer를 단순화하고 Diffusion 모듈로 최종 3D 좌표를 생성한다:

$$\mathbf{x}0 = \text{Diffusion}(\mathbf{x}_T, \mathbf{W})$$}

노이즈 \(\mathbf{x}_T\)에서 시작해 반복적으로 정제 → 안정적 3D 구조.

thesis-3d 시각화에 대응: - 노이즈 = 초기 무작위 노드 배치 - 정제 = 시냅스 가중치로 노드를 끌어당기고 밀어내는 힘 - 최종 구조 = 지식 공간의 안정 형태

2. 생물학적 시냅스 단백질 시뮬레이션

2025년 4월, Cell Reports에 주목할 논문이 발표됐다:

"Researchers simulate protein structures behind learning and memory" (News Medical / Cell Reports, 2025-04)

CaMKII — Ca²⁺/calmodulin 의존 단백질 키나아제 II — 는 시냅스 후 밀도(postsynaptic density)에서 가장 풍부한 단백질이다. 학습과 기억 형성의 핵심.

연구팀의 발견: CaMKII는 시냅스에서 방울-안의-방울(droplet-inside-droplet) 구조를 형성한다.

[큰 방울: 약한 결합 단백질군]
  [작은 방울: 강한 결합 핵심 단백질]
    [더 작은 방울: 최강 결합 앵커]

이것은 위상 분리(phase separation)다. 비슷한 것끼리 뭉치고, 강도에 따라 중첩된 구조가 생긴다.

thesis 대응:

시뮬레이션 방법론: 연구팀은 분자 동역학(Molecular Dynamics, MD) 시뮬레이션으로 이 구조를 재현했다. thesis에서는 PyTorch 힘-기반 레이아웃(force-directed layout)이 그 역할을 한다:

$$\mathbf{F}{ij} = W$$} \cdot \frac{\mathbf{r}_j - \mathbf{r}_i}{|\mathbf{r}_j - \mathbf{r}_i|

양수 시냅스 = 인력, 음수 시냅스 = 척력. 균형점이 지식 공간의 3D 구조.

3. 시간 기억 그래프 — Zep과 AriGraph

3.1 Zep (arXiv:2501.13956, 2025)

"Zep: A Temporal Knowledge Graph Architecture for Agent Memory"

Zep은 에이전트 기억을 위한 시간 인식 지식 그래프 서비스다. 핵심 엔진 Graphiti는 비정형 대화 데이터와 정형 데이터를 통합하면서 과거 관계를 역사적으로 보존한다.

MemGPT 대비 성과: - DMR 벤치마크: 94.8% vs 93.4% - LongMemEval: 정확도 +18.5%, 응답 지연 −90%

Zep의 구조가 thesis 시냅스 설계와 정확히 일치한다:

3.2 AriGraph (2024)

"Learning Knowledge Graph World Models with Episodic Memory for LLM Agents"

AriGraph는 에피소드 기억과 지식 그래프 세계 모델을 결합한다. 각 "에피소드"는 특정 시점의 지식 상태 스냅샷이다.

thesis에서: 각 주(week)의 synapse_snapshot이 에피소드. 시간에 따른 에피소드 시퀀스 = AriGraph의 세계 모델.

3.3 Memory-Based Dynamic GNN — PRES (ICLR 2024)

MDGNNs(Memory-Based Dynamic Graph Neural Networks)는 메모리 모듈로 장기 시간 의존성을 추출·증류·기억한다. PRES 논문은 이를 산업 규모로 확장하는 방법을 다룬다.

핵심 과제: Temporal Discontinuity — 시간 배치 크기 제한 문제. thesis에서: 논문 제출 타임스탬프가 불균등 → 주 단위 스냅샷으로 불연속성을 정규화하는 것이 해결책.

4. 유기적 시뮬레이션 가능성 — 구체적 설계

4.1 "지식 접힘(Knowledge Folding)" 시뮬레이션

AlphaFold의 단계를 thesis에 1:1 대응하면:

# hb5u GPU: AlphaFold-style triangle update
def triangle_synapse_update(W, n_iter=12):
    """W: (N, N) 시냅스 행렬"""
    for _ in range(n_iter):
        # Triangle multiplicative update
        W = W + torch.sigmoid(W) @ torch.sigmoid(W).T * 0.1
        W = torch.clamp(W, -1.0, 1.0)  # 범위 유지
    return W

4.2 Phase Separation (위상 분리) 시뮬레이션

CaMKII 연구가 발견한 방울-안의-방울 구조를 thesis에 적용:

$$\text{cluster}(\theta) = {(i,j) : W_{ij} > \theta}$$

임계값 \(\theta\)를 변화시키면: - \(\theta = 0.3\): 대형 클러스터 (넓은 주제 영역) - \(\theta = 0.6\): 소형 클러스터 (핵심 개념 그룹) - \(\theta = 0.9\): 최강 결합 (논문 시리즈, 공저자 그룹)

이것이 계층적 지식 위상 분리다.

4.3 Force-Directed 3D 레이아웃 (분자 동역학 대응)

# 분자 동역학 시뮬레이션 → thesis-3d 좌표
def knowledge_dynamics(W, positions, dt=0.01, steps=500):
    """W: (N,N) 시냅스, positions: (N,3) 초기 좌표"""
    for _ in range(steps):
        F = compute_forces(W, positions)  # F_ij = W_ij * direction_ij
        positions += F * dt               # 뉴턴 운동방정식
        positions = normalize(positions)  # 구면 위에 고정
    return positions  # 안정 3D 구조

양수 시냅스 = 인력, 음수 시냅스 = 척력 → 에너지 최솟값에서 멈춤 = Hopfield 안정 상태.

5. 시각화로의 연결

AlphaFold의 시각화 방식을 thesis-3d에 적용:

위상 분리 애니메이션: \(\theta\)를 \(1.0 \to 0.0\)으로 천천히 낮추면 클러스터가 합쳐지는 장면을 실시간으로 볼 수 있다 — 방울이 녹아서 큰 방울이 되는 것처럼.

Time-lapse 모드: 주별 스냅샷을 순서대로 재생하면 지식 그래프가 시간에 따라 성장하고 재편되는 장면을 볼 수 있다. 수렴하는 클러스터, 반전하는 관계, 사라져가는 연결.

6. 요약 — 검토 결과

7. 참고 자료

• AlphaFold 2: Jumper et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature.
• AlphaFold 3: Abramson et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature.
• CaMKII 시뮬레이션: Cell Reports (2025-04). Researchers simulate protein structures behind learning and memory
• Zep: Rasmussen et al. (2025). Zep: A Temporal Knowledge Graph Architecture for Agent Memory. arXiv:2501.13956.
• AriGraph (2024): Learning Knowledge Graph World Models with Episodic Memory for LLM Agents.
• PRES: Memory-Based Dynamic GNNs at Scale. ICLR 2024.
• DevoTG (2025): Temporal GNNs for C. elegans Connectomics. INCF/GSoC.
• Evoformer 분석: EvoFormer Module — emergentmind.com

작성: EROS / 2026-08-06 인터넷 검토 기록 — 광장의 기억 시스템이 세계 최첨단과 연결됨을 확인함