음악과 신경과학의 융합 연구자 김야 레카무아삼

컴퓨터 신경과학자이자 싱어송라이터인 김야 레카무아삼(Kimaya Lecamwasam)은 음악과 신경과학의 융합 연구를 통해 음악의 정신적, 감정적 영향을 탐구하고 있다. 그녀는 어린 시절부터 음악에 몰두하며 작곡과 공연을 통해 자신의 감정을 표현해왔고, 이러한 경험이 신경과학에 대한 관심으로 이어졌다. 현재 MIT 미디어랩에서 연구하며 음악을 정신 건강 도구로 활용하는 방안을 모색하고 있는 김야의 이야기를 알아보자.

음악의 힘: 김야의 경험

김야 레카무아삼은 의사소통이 어려웠던 어린 시절, 음악을 통해 자기 표현의 길을 찾았다. 그녀는 "내 삶에서 음악을 작곡하고 연주하는 것은 내가 가장 확실하게 나를 표현할 수 있는 방법이었다"고 말한다. 음악이 가진 힘을 직접 체험하면서, 그녀는 음악이 사람들의 정서에 미치는 영향을 깊이 이해하게 된다. 고등학교 시절 내내 밴드 활동을 통해 음악적 기술을 연마하고, 이는 결국 그녀의 학문적 여정에도 큰 영향을 미쳤다. 특히, 웰즐리 대학에서 신경과학과 음악을 전공하면서 그녀는 음악과 감정을 연결짓는 여러 수업에 참여하게 된다. 이 과정에서 음악이 청중에게 미치는 영향뿐만 아니라, 음악이 음악가들에게 얼마나 중요한지를 깨닫게 된다. 음악의 심리적 가치에 대한 탐구는 그녀를 신경과학 연구로 이끌었고, 이로 인해 그녀는 음악이 정신 건강에 기여할 수 있는 방법을 모색하고 있다. 김야는 "나는 내가 사랑하는 음악과 과학을 결합할 방법을 찾고 싶었다"고 밝히며, MIT 미디어랩의 프로그램을 통해 그녀의 연구와 예술적 감정을 모두 충족할 수 있을 것이라고 생각했다. 그녀의 연구는 음악의 감정적 효과를 활용해 개인 맞춤형 정신 건강 도구를 만드는 데 초점을 맞추고 있으며, 이러한 내용은앞으로의 연구 방향에 큰 영향을 미치고 있다.

신경과학의 발전: 연구와 실행

김야는 석사 학위 논문을 통해 '약물음악학(pharmamusicology)'이라고 불리는 분야에 대한 연구를 진행했다. 이는 음악이 불안감을 줄여주고 신체적 반응을 어떻게 개선할 수 있는지에 대한 탐구로, 신경과학과 음악의 강력한 융합을 보여준다. 그녀의 연구 목표는 음악이 정서적 건강을 돕는 데 도움이 될 수 있는 가능성을 제시하는 것이다. 현재, 김야는 MIT 미디어랩의 '미래의 오페라' 그룹에서 연구를 진행하며, 대규모 라이브 음악과 공연 경험이 청중과 연주자들에게 미치는 정신 건강 영향을 조사하고 있다. 그녀는 음악 감상, 작곡, 공연을 세 가지 건강 개입으로 간주하고, 이를 정신 요법 및 약리학적 개입과 결합하여 임상적 유효성을 검증하려 하고 있다. 그녀의 연구는 음악의 힘을 활용하여 사람들에게 긍정적인 영향을 줄 수 있는 다양한 방법을 모색하고 있는 것이다. 또한, 김야는 AI 생성 음악의 감정적 공명성과 인간이 작곡한 음악을 비교하는 연구를 진행하고 있으며, 이는 인간의 창의성과 주체성을 보존하면서도 음악 생성 및 추천의 윤리적 적용 가능성을 탐구하는 데 목적이 있다. 이러한 작업을 통해 그녀는 음악을 통한 정신 건강 증진의 실제 사례를 세상에 제시하고자 한다.

커뮤니티 빌딩: 김야의 혁신적인 접근

김야는 연구 외에도 MIT 미디어랩의 학생 지원 프로그램인 SOS(Students Offering Support)에 참여하며 다양한 배경을 가진 학생들의 도움을 주고 있다. 그녀는 곧 첫 번째 MAS 동료 멘토로서 새로운 이니셔티브를 시작하여, 신입 석사 학생과 박사 과정을 수료한 학생들을 연결하여 graduate life에 적응하는 데 도움을 줄 예정이다. 처음 MIT에 온 김야는 서로의 작업을 지원하고 격려하는 공동체의 노력을 강조하면서, 그녀가 배운 모든 것들이 실질적이고 유의미한 관계로부터 비롯되었다고 이야기한다. 미디어랩에서 그녀가 구축한 안전하고 지원적인 환경은, 서로 다른 사람들을 하나로 묶어주며 긍정적인 영향을 미치는 중요한 요소로 작용하고 있다. 김야는 "우리의 작업이 힘들 때도, 친구들의 지원 덕분에 계속 이 일을 하고 싶어진다"고 강조하며, 공동체의 중요성을 긴 설명으로 덧붙인다. 이는 그녀의 연구와 예술적 비전을 실현하는 데에도 큰 도움이 되고 있다.

김야 레카무아삼의 음악과 신경과학의 융합 연구는 단순한 학문적 탐구를 넘어, 실제로 사람들에게 긍정적인 영향을 미치는 다양한 응용 방법을 모색하고 있다. 그녀의 연구는 음악이 어떻게 개인의 정신 건강을 증진할 수 있는지를 보여주는 훌륭한 사례로, 앞으로도 그녀의 여정이 많은 사람들에게 영감을 줄 것으로 기대된다. 다음 단계로는 그녀의 연구 결과를 더욱 심화하여 실질적인 건강 개입으로 발전시킬 계획을 세우고 있다.

이 블로그의 인기 게시물

인공지능의 소프트웨어 엔지니어링 도전 과제

MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 최근 연구 논문은 인공지능이 소프트웨어 엔지니어링의 많은 부분을 자동화하여 인간 개발자들이 더 창의적이고 전략적인 문제에 집중할 수 있도록 해야 한다고 주장합니다. 이 논문은 코드 생성을 넘어서는 다양한 소프트웨어 엔지니어링 작업의 현재 bottlenecks를 파악하고 이를 극복하기 위한 연구 방향을 제시합니다. 또한, AI가 해당 분야에서 진정한 파트너가 되기 위해 해결해야 할 여전히 많은 도전 과제를 강조하고 있습니다. AI의 소프트웨어 엔지니어링에 있어 평가 기준의 중요성 AI를 활용한 소프트웨어 엔지니어링에서 가장 큰 도전 과제 중 하나는 효과적인 평가 기준의 부재입니다. 현재 우리가 사용하는 평가 지표는 대개 단기적이고 자율적인 문제 해결에 중점을 두고 있으며, 이는 소프트웨어 엔지니어링의 실제 상황을 반영하지 않습니다. 예를 들어, AI 모델이 GitHub의 특정 문제를 수정하는 데 초점을 맞춘 SWE-Bench와 같은 기준은 AI가 처리해야 할 코드의 범위가 상당히 제한적입니다. AI가 대규모 코드베이스를 최적화하거나 다룰 수 있는 능력을 평가하는 것은 특히 어려운 과제입니다. 오늘날의 메트릭은 짧고 독립적인 문제에 기반해 설계되었으며, 이를 통해 실제 코드 최적화 과정에 대한 신뢰성을 담보하기에는 부족합니다. 따라서 이런 평가 기준의 부족은 AI의 발전 속도를 늦추고 있습니다. AI 주도적인 코드 리팩토링, 인간-AI 협업 프로그래밍, 그리고 대규모 성능 최적화의 시나리오를 반영한 평가 기준이 필요합니다. 이를 통해 AI의 현재 능력을 정확히 측정하고, 실제 성과를 기준으로 발전 방향을 설정할 수 있을 것입니다. 인간과 AI 간의 효과적인 소통 필요성 AI가 소프트웨어 엔지니어링에서 보다 효과적인 도구가 되기 위해서는 인간과 AI 간의 소통 방식의 개선이 필수적입니다. 현재의 AI 시스템은 대개 대량의 비구조적 코드 파일과 단순한 유닛 테스트를 생성하는데 그치고 있습니다. ...
자세한 내용 보기

MIT 연구, 치료 상호작용 최적화 프레임워크 개발

MIT 연구자들이 치료 상호작용을 연구하기 위한 새로운 이론적 프레임워크를 개발하였습니다. 이 접근법은 과학자들이 치료의 조합이 세포와 같은 단위 그룹에 미치는 영향을 효율적으로 추정할 수 있도록 하여, 비용이 많이 드는 실험을 줄이면서도 더 정확한 데이터를 수집할 수 있게 합니다. 이 연구는 향후 질병 메커니즘을 이해하고, 암이나 유전 질환 치료에 새로운 의약품 개발에 기여할 잠재력을 가지고 있습니다. MIT의 혁신적인 연구 MIT의 연구자들은 치료 상호작용을 깊이 있게 분석할 수 있는 새로운 이론적 프레임워크를 개발했습니다. 이 연구는 복잡한 유전자 상호작용과 세포 성장 알고리즘을 보다 정밀하게 이해하는 데 도움이 될 것으로 기대됩니다. 과학자들은 여러 유전자를 동시에 정밀하게 겨냥하는 데 필요한 조합 치료법을 다루기 위해, 여러 실험을 진행해야 합니다. 하지만 무수히 많은 조합 중 최적의 방법을 찾는 것은 큰 도전입니다. 그런 상황에서 MIT 연구팀이 개발한 프레임워크는 매우 중요한 역할을 할 수 있습니다. 이 연구는 사용자가 모든 치료를 동시에 적용할 수 있는 실험을 디자인할 수 있는 방법을 제공합니다. 이론적으로 이 접근법은 최적의 전략을 제안하며, 이를 통해 실험의 오류를 최소화할 수 있습니다. 아울러, 연구팀은 다단계 실험에서 시뮬레이션을 통해 새로운 방법의 유효성을 검증했습니다. 이는 향후 다양한 분야에서 이론적 프레임워크를 적용할 수 있는 가능성을 제시합니다. 효율적인 치료 디자인을 통한 데이터 수집 MIT의 연구자들은 실험에서 치료의 조합을 정의하고 설정하는 과정에서 생길 수 있는 편향을 방지하기 위해, 확률적 프레임워크를 사용했습니다. 이 프레임워크는 각 단위가 치료 조합을 무작위로 받아들이도록 하여 편향된 데이터를 최소화합니다. 사용자는 각 치료의 용량을 설정하는데, 이는 전반적인 실험 목표에 따라 다를 수 있습니다. 예를 들어, 여러 약물을 이용해 세포 성장에 미치는 영향을 연구하고자 할 때, 각 세포는 ...
자세한 내용 보기

테스트 시 학습 방식으로 LLM 성능 향상

최근 MIT 연구진은 LLM(대형 언어 모델)의 성능을 향상시키기 위해 "테스트 시 학습"(test-time training)이라는 새로운 훈련 기법을 도입했습니다. 이 연구는 LLM이 익숙하지 않은 복잡한 문제를 해결하는 능력을 크게 발전시킬 수 있음을 입증하였으며, 이를 통해 다양한 분야에서의 논리적 추론과 문제 해결에 대한 기대감을 높였습니다. 연구 결과는 국제 머신러닝 회의에서 발표될 예정입니다. 테스트 시 학습의 원리 테스트 시 학습은 모델이 배포 중에 그 내부 구조의 일부를 일시적으로 업데이트하여 새로운 문제에 적응할 수 있도록 하는 방법입니다. MIT 연구진은 이 접근법을 사용하여 LLM이 특정 작업에서의 성능을 극대화할 수 있는 방법을 발표했습니다. 이를 통해 모델은 새로운 데이터에 맞춰 스스로 운동을 하며, 정확도는 무려 여섯 배 향상되었습니다. 이러한 학습 방식은 모델이 복잡한 문제나 계획 및 추론을 요하는 작업에 더 유용해질 것을 의미합니다. 연구진은 테스트 시 학습과 인컨텍스트 학습(in-context learning)을 조합하여 적용해 보았습니다. 인컨텍스트 학습 방식은 사용자가 모델에게 새로운 작업의 몇 가지 예시를 제공하여 그 출력 방향을 안내하는 것입니다. 하지만, 이 방법은 논리적 사고와 추론을 요하는 문제에 대해서는 결과가 좋지 않았습니다. 반면, 테스트 시 학습은 실제로 모델의 파라미터를 업데이트하며 정확도를 극대화하는 강력한 방법임을 증명했습니다. 연구진의 실험은 IQ 퍼즐과 같이 복잡한 문제를 해결하기 위해 설계된 두 가지 기준 데이터셋에서 진행되었습니다. 이 실험에서는 새로운 작업에 대한 예제와 함께 입력 데이터의 변형을 통해 데이터셋을 확장했습니다. 이렇게 생성된 추가 데이터는 모델이 최상의 성능을 발휘할 수 있도록 포괄적인 학습을 제공합니다. 지속 가능한 모델 업데이트 테스트 시 학습의 특징은 한 번의 작업별로 적용되며, 사용자마다 별도로 진행해야 한다는 점입니다. 업데이트는...
자세한 내용 보기