Black hole/quantum machine learning correspondence

블랙홀은 종종 궁극적인 우주의 함정, 즉 중력이 너무 강력하여 빛조차도 탈출할 수 없는 영역으로 묘사됩니다. 수십 년 동안, 블랙홀로 떨어지는 모든 것에 대한 정보가 어떻게 되는지에 대해 물리학자들을 괴롭혀온 깊은 난제가 있었습니다. 양자 역학의 규칙에 따르면 정보는 결코 진정으로 파괴될 수 없으며, 어떤 형태로든 보존되어야 합니다. 그러나 블랙홀이 호킹 복사라고 알려진 희미한 빛을 방출하며 서서히 증발할 때, 그 정보는 영원히 사라지는 것처럼 보였고, 이는 우리의 중력 이해와 매우 작은 것들의 근본 법칙 사이의 모순을 만들어냈습니다. 이 충돌은 블랙홀 정보 역설로 알려져 있으며, 블랙홀이 소멸할 때 우주가 어떻게 기록을 유지하는지 과학자들에게 질문하게 만듭니다.

최근 연구자들은 현대적인 분야인 양자 기계 학습의 관점을 통해 이 오래된 문제를 바라보기 시작했습니다. 이것은 인공지능 시스템이 양자 물리학의 기묘한 규칙 아래에서 작동할 때 정보를 어떻게 처리하는지를 연구하는 과학의 한 분야입니다. 이러한 시스템에는 모델을 더 복잡하게 만든다고 해서 반드시 즉각적으로 성능이 향상되지 않는 기묘한 현상이 존재합니다. 대신, 시스템이 가장 고군분투하다가 갑자기 과업을 매우 잘 수행하게 되는 특정 지점이 있습니다. '더블 디센트(double descent)'라고 불리는 이 행동은 모델이 학습하려는 변수의 수가 학습해야 할 데이터 포인트의 수와 일치할 때 발생합니다. 이는 시스템이 데이터를 맞추지 못하는 상태에서 완벽하게 맞출 수 있는 상태로, 그리고 다시 잘 일반화할 수 있는 상태로 전환되는 전이의 순간입니다.

새로운 연구에서 과학자 자이 영 킴(Zae Young Kim)과 재원 리(Jae-Weon Lee)는 이 두 가지 서로 무관해 보이는 세계 사이의 놀라운 연결 고리를 제안합니다. 그들은 블랙홀이 '페이지 타임(Page time)'이라고 알려진 결정적인 단계에 도달하는 순간이 기계 학습 모델이 가장 어려운 학습 임계점에 도달하는 순간과 수학적으로 동일하다고 제안합니다. 페이지 타임은 블랙홀이 방출한 복사량이 블랙홀 내부에 남아 있는 물질의 양과 대략 같아지는 블랙홀 증발 과정의 시점입니다. 이 시점 전에는 블랙홀이 방출한 복사보다 더 큽니다. 이 시점 이후에는 복사 구름이 줄어드는 블랙홀보다 더 커집니다. 연구진은 이 균형점이 단순히 크기의 우연이 아니라, 정보가 재구성될 수 있는 방식의 근본적인 변화라고 밝혔습니다.

이를 탐구하기 위해 연구팀은 블랙홀과 그 복사 사이의 관계를 거대한 정보 퍼즐로 취급했습니다. 그들은 블랙홀과 복사를 하나의 순수 양자 상태의 두 측면으로 상상했습니다. 그들이 설정한 과제는 블랙홀에 가해진 동작이 복사에 가해진 동작에 의해 완벽하게 흉내 낼 수 있는지 확인하는 것이었습니다. 이 연구의 언어로 말하자면, 이것은 사람의 그림자만을 보고 그 사람의 움직임을 똑같이 재현할 수 있는지 묻는 것과 같습니다. 그림자가 충분히 상세하다면, 당신은 사람이 어떻게 움직였는지 정확히 알아낼 수 있습니다. 하지만 그림자가 너무 단순하다면, 당신은 그것을 할 수 없습니다.

연구진은 블랙홀이 여전히 큰 상태인 페이지 타임 이전에는, 복사가 블랙홀 내부에서 일어나는 모든 동작을 완벽하게 재현할 만큼 상세하지 않다는 것을 발견했습니다. 복사가 블랙홀의 내부 가능성을 모두 커버할 만큼 충분한 정보를 축적하지 못했기 때문에 근본적인 격차, 즉 퍼즐의 빠진 조각이 존재합니다. 그러나 시스템이 페이지 타임을 지나 복사가 블랙홀보다 커지면 상황은 완전히 바뀝니다. 이제 복사는 일반 선형 연산자를 사용하여 블랙홀의 어떤 동작도 완벽한 정확도로 재구성할 수 있는 충분한 정보를 포함하고 있습니다. 이 전이는 "그림자"가 "사람"을 온전히 나타낼 수 있을 만큼 상세해지는 순간을 의미합니다. 그러나 연구진은 이러한 완벽한 재구성 능력이 선형 연산자에 적용되는 것이며, 모든 물리적 블랙홀 관측량(반드시 에르미트(Hermitian)여야 함)이 정확한 복사 관측량 표현을 갖는다는 것을 보장하지는 않는다는 점을 명시합니다. 이는 추가적인 호환성 조건이 필요하기 때문입니다.

이 발견을 특히 놀랍게 만드는 것은 이 전이가 일어나는 바로 그 순간에 일어나는 일입니다. 연구진은 시스템이 완벽한 재구성이 가능해지는 동시에, 아주 작은 오류에도 극도로 민감해진다는 것을 발견했습니다. 기계 학습 모델이 데이터 포인트의 정확한 개수를 배우려고 할 때 가장 고군분토하는 것과 마찬가지로, 블랙홀 시스템은 페이지 타임에 통계적으로 불안정해집니다. 측정되는 정보에 아주 적은 양의 불확실성이나 노이즈가 있다면, 복사로부터 블랙홀의 상태를 재구성하려는 노력은 엄청나게 큰 오류를 만들어낼 수 있습니다. 이는 정보가 누락되었기 때문이 아니라, 정보를 추출하는 데 사용되는 수학적 도구들이 한계까지 늘어나기 때문입니다.

이 연구는 정보의 스펙트럼이 어떻게 변화하는지를 설명하기 위해 '마르첸코-파스투르 법칙(Marchenko-Pastur law)'이라는 특정 수학적 규칙을 사용합니다. 통계학에서 대규모 데이터 세트를 분석할 때 흔히 사용되는 이 규칙은 블랙홀의 크기와 복사의 크기가 같아질 때 재구성 과업의 난이도가 급증할 것임을 예측합니다. 연구진은 이 난이도의 급증이 문제의 기하학적 구조에 나타나는 보편적인 특징이며, 블랙홀을 물리적 객체로 보든 복사를 학습 알고리즘을 위한 데이터 세트로 보든 상관없이 나타난다는 것을 보여주었습니다.

중요하게도, 저자들은 이것이 블랙홀 자체가 붕괴하거나 물리 법칙이 실패한다는 것을 의미하지 않는다는 점을 분명히 합니다. 대신, 이것은 정보가 어떻게 분포되는지에 대한 특정한 속성을 강조합니다. 시스템은 정보를 보존할 수 있는 완벽한 능력을 갖추고 있지만, 그 정보를 추출하는 방법이 두 측면이 균형을 이루는 바로 그 순간에 매우 불안정해진다는 것입니다. 이는 정보가 존재하는 곳에서 추출하는 경로가 수학적으로는 명확하지만 실제로는 취약하다는 것을 의미합니다.

이 작업은 현대 인공지능 시스템에서 보이는 기묘한 행동이 컴퓨터에만 국한된 것이 아닐 수도 있음을 시사합니다. 기계가 데이터로부터 학습하는 방식을 지배하는 동일한 기하학적 원리가 중력의 존재 하에서 우주가 정보를 보존하는 방식 또한 지배하는 것으로 보입니다. 블랙홀 문제를 일종의 학습 과업으로 봄으로써, 연구진은 페이지 타임을 이해하는 새로운 방법을 제공했습니다. 그것은 단순히 엔트로피가 정점에 달하는 지점이 아니라, 정보 추출의 성격이 일반적인 불가능에서 선형 연산자에 대해서는 가능하지만 통계적 불안정성을 동반하는 상태로 바뀌는 임계점입니다.

또한 이 연구는 이러한 불안정성이 블랙홀의 정보 보유 능력의 실패를 의미한다는 흔한 오해를 다룹니다. 연구진은 해답을 찾는 능력과 그 해답의 안정성을 구분하는 데 주의를 기울였습니다. 그들은 페이지 타임 이후에 완벽한 해답이 존재할 수 있지만, 그 해답을 찾는 과정은 작은 오류가 증폭되는 환경을 헤쳐 나가야 한다는 것을 보여줍니다. 이는 문제의 수학적 구조에 의한 속성이지, 물리적 시스템 자체의 결함이 아닙니다. 정보는 그곳에 있지만, 오류 없이 그것을 추출하려면 완상한 정밀도가 필요하며, 이는 측정이 포함된 실제 상황에서 달성하기 어렵습니다.

궁극적으로 이 연구는 두 개의 서로 다른 분야 사이에 가교를 놓습니다. 알고리즘 연구에서 탄생한 개념인 '더블 디센트' 현상이 블랙홀의 생애 주기에서 직접적인 대응물을 가지고 있음을 입증합니다. 블랙홀과 그 복사가 같은 크기에 도달하는 순간은 시스템이 블랙홀의 상태를 표현할 수 없는 상태에서 표현할 수 있는 상태로 전환되는 동시에, 노이즈에 가장 민감해지는 순간과 같습니다. 이러한 상응 관계는 정보의 깊은 기하학이 별들과 우리가 그것을 연구하기 위해 만드는 실리콘 칩 모두가 사용하는 보편적인 언어임을 시사합니다. 이 연구 결과는 블랙홀 역설을 양자 중력에 대한 최종적이고 완전한 이론을 제공하는 방식으로 해결하는 것은 아니지만, 이러한 극한 환경에서 정보가 어떻게 행동하는지에 대한 구체적이고 결정적인 특징을 밝혀냄으로써, 거대한 것과 아주 작은 것 사이의 숨겨진 통일성을 드러냅니다.