Which Structures Carry Information?: The Causal Structure Set and the Inverse Problem of Heredity

기술적 요약: "어떤 구조가 정보를 운반하는가?: 인과적 구조 집합과 유전의 역문제"

문제 제lem (Problem Statement)
본 논문은 '역유전 문제(inverse-heredity problem)'를 다룬다. 즉, 관찰된 물리적 에피소드와 실현된 인과적 조직이 주어졌을 때, 유전적 역할(정보 운반체, 연산자, 생성물)을 수행하는 구조가 무엇인지, 유전자나 복제자 또는 프로그램과 같은 도메인 특화된 개체를 먼저 규정하지 않고도 어떻게 추론할 수 있는가 하는 문제이다.

기존의 프레임워크(섀넌 정보 이론, 진화 이론, 구성자 이론 등)는 일반적으로 유전적 실체나 정보 매체의 존재를 전제로 하여 이를 분석한다. 이러한 이론들은 유전적 운반체가 이미 알려져 있다는 가정하에 정보가 어떻게 전달되는지에 대한 질문에는 답할 수 있지만, 낯선 시스템(예: 원시 생명 화학, 합성 생물학, 혹은 진화하는 소프트웨어)에서 어떤 물리적 구조가 그러한 운반체를 구성하는가라는 선행 질문에는 답할 수 없다. 저자는 통계적 의존성(상호 정보량)이 물리학 전반(예: 강수량을 기록하는 나이테)에 편재해 있지만, 이것이 곧 정보의 운반을 의미하는 것은 아니라고 주장한다. 진정한 정보 운반체는 구조적 차이가 복제되어 하류(downstream)에서 구별 가능한 효과를 일으키는 특정한 인과적 아키텍처를 필요로 한다.

방법론: 인과적 구조 집합 (Causal Structure Set, CSS)
본 논문은 구조적 정체성과 유전적 기능을 분리하여 표현할 수 있는 공식적인 프레임워크를 제안한다.

1. 표현 (CSS): 인과적 구조 집합은 레이블이 붙은 유한한 엄격 부분 순서(finite labelled strict partial order) $(W, \prec, \ell)$로 정의되며, 이는 방향성 비순환 그래프(DAG)로 나타낼 수 있다.

   • 노드 ($W$): 순간적인 사건이나 통계적 변수가 아닌, 지속적인 물리적 구조의 인스턴스(world-tubes)이다.
   • 레이블 ($\ell$): 시스템 역학의 '준불변 영역(Almost-Invariant Regions, AIRs)'으로부터 도출된 구조적 유형이다. 결정적으로, 이 레이블들은 유전적 역할에 대해 중립적이다. 즉, 기능적 역할(예: "유전자")을 부여하지 않고 물리적 유형(예: 분자 A와 분자 B의 차이)만을 구분한다.
   • 순서 ($\prec$): 개입주의적 기준(원천을 억제했을 때 대상의 구조적 유형 실현 확률이 감소함)을 통해 정의된 '구조 생성 인과관계(structure-creating causality)'에 기반한 엄격한 인과적 순서이다.

2. 프로세스 추출 (Process Extraction): 물리적 프로세스는 명시적인 입력($I$)과 출력($O$) 경계를 가진 CSS의 인과적 볼록 부분 집합(causally convex subsets)으로 식별된다.

   • 연산자 (Operators): 구조적 레이블이 '연산자 조건'을 만족한다는 것은, 프로세스 경계 전반에 걸쳐 그 다중성(multiplicity)이 보존되며($n^-(o) = n^+(o) > 0$), 해당 인스턴스들이 서로 다른 유형의 출력에 인과적으로 기여함을 의미한다. 이는 유전적 역할을 가정하지 않고도 잠재적인 기제(예: 촉매, 중합효소)를 식별해 낸다.

3. 추론 기준 (RVT + Lineage): 유전적 조직은 CSS 내의 특정한 '인과적 모티프(causal motif)'로 식별된다. 본 논문은 다음의 결합된 기준이 일관되게 발생하는 것을 요구한다.

   • 복제 (Replication, R): 구조적 변이의 다중성이 증가하는($n^+ > n^-$) 프로세스로, 모든 출력 인스턴스는 동일한 유형의 입력 인스턴스로부터 인과적으로 계승되어야 한다.
   • 변이 (Variation, V): 서로 다른 구조적 변이들을 연결하는($i_1 \to i_2$) 프로세스이다.
   • 번역 (Translation, T): 유전과 단순 복제를 구분하는 핵심 조건이다. 대안적인 변이들($i_1, i_2$)은 대응하는 연산자 조직을 통해 작동해야 하며, 이를 통해 프로세스의 입력에는 존재하지 않았던 구별 가능한 하류 구조적 유형($y_1, y_2$)을 생성해야 한다. 이는 변이의 차이가 인과적으로 유의미함을 보장한다.
   • 계보 지속 (Lineage Continuation): 적어도 하나의 복제된 후손이 대응하는 연산자 조직을 사용하여 후속 복제 프로세스에 다시 진입해야 한다. '관찰된 계보 깊이($L$)'는 이러한 지속성을 측정하는 척도로서, 이진적 스위치가 아닌 점진적인 증거의 척도로 기능한다.

주요 기여

• 공식적 역추론 절차: 실현된 인과적 이력과 구조적 지속성에만 기반하여, 시스템의 온톨로지를 미리 가정하지 않고 유전적 역할(운반체, 연산자, 생성물)을 추론하는 운영적 알고리즘을 제공한다.
• 역할 중립적 표현: 구조적 유형화(AIR를 통해)를 기능적 할당으로부터 분리함으로써, '선택의 단위'가 미지의 상태이거나 창발적인 시스템에서도 유전적 조직을 식별할 수 있게 한다.
• 기질 독립성 (Substrate Independence): 이 기준은 물질적 유사성이 아니라 인과적 경계의 조직(다중성과 대응 관계)에 의존하므로, 생물학적 시스템과 소프트웨어 시스템 간의 교차 도메인 비교를 가능하게 한다.
• 개념의 구별: 본 프레임워크는 유전(heredity)을 선택(selection), 축적(accumulation), 안정성(stability)과 명확히 구분한다. 이는 유전이 가능한 '조직'을 식별하며, 선택과 적응의 하류 역학을 별개의 문제로 취급한다.
• 물리적 증거 속성 (Physical Witness Property): 식별된 유전 모티프가 표현의 변화(거친 입자화/coarse-graining)에 대해 강건하다는 조건을 확립하여, 추론된 역할이 관찰 해상도의 산물이 아님을 보장한다.

결과 및 사례
논문은 개념적 사례와 반례를 통해 프레임워크를 입증한다.

• 촉매 화학: 촉매는 연산자 조건을 만족할 수 있으나, 변이 복제(R)나 번역(T)이 일어나지 않으므로 RVT 기준을 충족하지 못한다.
• 무생적 복제: 데이터를 복사하는 기계는 복제(R)는 만족하지만, 복사된 변이가 구별 가능한 하류 구조를 만들어내지 못하므로 번역(T)을 충족하지 못한다.
• 자기 촉매 집합 (Autocatalytic Sets): 성장과 변이는 있으나 번역(T)이 없는 시스템은 유전적 시스템과 구별된다.
• 레시피 전수: 레시피를 가르치는 과정을 상세히 재구성한 가상의 예시는, 허용 가능한 개별화(능력 대 신체적 잔여물)를 가설로 세우고 R, V, T 모티프를 테스트함으로써, 관찰하기 어려운 복잡한 물리적 구조(예: 신경 구성)를 어떻게 다루는지 보여준다.

주장 및 의의
본 논문은 자신의 주장을 겸허하게 유지하며, 완전한 유전 이론이라기보다는 기초적이고 정의적인 기여로서 위치를 잡는다.

• 운영적 기준: RVT+Lineage 모티프는 유전적 조직을 식별하기 위한 후보 운영적 기준으로 제시된 것이지, 보편적인 정의가 아니다. 저자는 이 특정 모티프가 포착하지 못하는 다른 형태의 유전이 존재할 수 있음을 인정한다.
• 잠재적 능력 부재: 프레임-워크는 관찰된 인과 이력에서 실현된 것만을 추론한다. 관찰 기간 동안 행사되지 않은 잠재력이나 능력까지 추론하지 않는다.
• 공동 식별: 핵심 혁신은 운반체와 유전적 프로세스를 동시에 추론한다는 점이다. 하나는 다른 하나 없이는 할당될 수 없으며, 동일한 인과 모티프 내에서 관계적으로 정의된다.
• 적용 가능성: 이 프레임워크는 기원 연구, 인공 생명, 제도적 진화와 같이 유전적 실체가 미지이거나 논쟁 중이거나 창발적인 경우를 위해 설계되었다.
• 검증: 논문은 제안된 기준의 적절성과 경험적 검증이 여전히 열려 있는 과제임을 밝히며, 이는 절대적 진리로 주장하기보다 적대적 반례와 통제된 시스템을 통해 테스트되어야 한다고 명시한다.

요약하자면, 본 논문은 물리적 구조의 인과적 위상(topology)을 분석함으로써, "이 물리적 시스템에 유전적 조직이 포함되어 있는가? 만약 그렇다면, 그 구성 요소는 무엇인가?"라는 질문에 답하기 위한 엄밀하고 역할 중립적인 수학적 프레임워크를 제공한다.