다음 글에 대한 분석으로 적절한 것만을 <보기>에서 있는 대로 고른 것은?

사람의 뇌에서 개별 신경세포는 이웃하는 다른 신경세포와 시냅스를 통해 연결된다.
하나의 신경세포가 자극을 받으면 그 신호가 시냅스를 거쳐 이웃하는 신경세포에 전달되는데, 같은 신호가 전달되어도 이웃하는 신경세포는 시냅스의 연결 강도에 따라서 자극을 받을 수도, 그렇지 않을 수도 있다.
외부의 자극이 전달되어 시냅스로 연결된 두 신경세포가 함께 자극받는 빈도가 변하면 시냅스 연결 강도가 변한다는 원리가 헵의 규칙이며, 이는 학습의 미시적인 메커니즘이다.

많은 인공신경세포를 연결망 구조로 구현한 것이 홉필드의 인공신경망이다.
홉필드는 물리학에서 강자성체를 설명하는 A 모형에 주목했다.
A 모형은 '업'과 '다운' 중 하나의 상태를 갖는 스핀들이 상호작용하는 방식을 기술한다.
이웃하는 각 스핀의 방향에 따라 상호작용 에너지가 결정되는데, 시스템의 안정된 상태는 전체 에너지가 가장 낮은 상태에 도달했을 때 이루어진다.

홉필드는 헵의 규칙을 이용해 A 모형에서 스핀들의 상호작용을 기술하는 행렬 요소를 재정의하고, A 모형의 에너지와 수학적으로 같은 형태로 인공신경망의 에너지를 구현했다.
예를 들어, 평면에 여러 화소로 구성된 이미지 '츠'을 떠올려 보자. 각각의 화소를 인공신경세포로 간주하고, '츠' 모양에서 검은색 화소의 상태를 1, 흰색 화소의 상태를 0이라 하자. 헵의 규칙을 적용해 이웃하는 두 화소가 (1, 1)이나 (0, 0)처럼 같은 상태일 때는 그 두 인공신경세포 사이를 연결하는 시냅스 연결에 +1을 부여하고, (1, 0)이나 (0, 1)처럼 두 화소 상태가 다를 때는 시냅스 연결에 −1을 부여한다.
이처럼 학습시키고자 하는 다양한 패턴은 연결망 가중치로 표현될 수 있다.

홉필드 인공신경망이 다양한 형태의 '츠'을 충분히 학습하고 나면, 정확한 '츠' 모양이 아니라 약간의 오류가 있는 이미지를 입력해도 전체의 에너지가 줄어드는 방향으로 연결망의 상태를 변화시켜, 결국 제대로 된 '츠'을 생성한다.

---

<보 기>

ㄱ. 홉필드 인공신경망의 개별 화소 상태는 A 모형의 스핀 상태에 해당한다.

ㄴ. 홉필드 인공신경망은 학습 과정에서 개별 연결망 가중치를 변화시킨다.

ㄷ. 오류를 교정해 정확한 정보를 생성하는 것은 홉필드 인공신경망의 에너지를 점차 낮추는 과정이다.

---

① ㄱ　　　　　② ㄴ　　　　　③ ㄱ, ㄷ

④ ㄴ, ㄷ　　　⑤ ㄱ, ㄴ, ㄷ