Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws

1. 문제 제기 (Problem Statement)

전통적인 계산 물리학 (Classical Computational Physics) 은 상태 (State, $U$) 와 구조 (Structure, 연산자) 를 분리하여 접근합니다.

• 기존 방식: 물리 상태 (속도, 온도, 농도 등) 는 시간에 따라 진화하지만, 이를 운반하는 기하학적 구조 (격자, 유한 차분 스텐실, 유한 요소 행렬 등) 는 사전에 고정되어 있습니다.
• 한계: 비평형 상태 (예: 난류, 반응 시스템) 에서의 물리 현상을 모델링할 때, 비평형 효과는 고정된 연산자 내의 매개변수 (예: 와동 점성도) 로 표현되거나 상태 의존적 비율로만 처리됩니다. 그러나 운반 구조 (Transport Geometry) 자체의 적응은 고려되지 않습니다.
• 핵심 질문: 비평형 열역학에서 보존 법칙의 국소적 위반 (Residual) 이 열역학적 힘으로 작용하여 시스템이 어떻게 구조를 재구성하며 평형을 회복하는지, 이를 계산적으로 구현할 수 있는가?

2. 방법론 (Methodology: Hebbian Physics Network, HPN)

저자들은 Hebbian Physics Network (HPN) 을 제안합니다. 이는 고정된 방정식을 푸는 것이 아니라, 국소적 불균형 (Residual) 을 해소하기 위해 상태와 운반 구조가 공진화 (Co-evolution) 하는 열역학적 relaxation 과정으로 계산을 재정의합니다.

가. 기본 구조

• 그래프 기반: 노드 $i$는 상태 변수 $U_i$ (밀도, 운동량 등) 를 저장하고, 방향성 엣지 $j \to i$는 운반 경로를 나타냅니다.
• 가중치 (Weights): 엣지의 가중치 $W_{ij}$는 운반 경로의 강도 (전도도) 를 결정하는 적응형 연산자입니다.
• 잔차 (Residual, $R_i$): 노드 $i$에서의 국소적 보존 법칙 위반 (질량, 운동량, 에너지 불균형) 을 계산합니다. 이는 열역학적 힘 (Thermodynamic Force) 으로 작용합니다.
  $$R_i = \sum_j (J_{ij} - J_{ji}), \quad J_{ij} = W_{ij} S_{ij}$$
  (여기서 $S_{ij}$는 신호, 예: 이웃 노드의 상태 $U_j$)

나. 적응 규칙 (Adaptation Rule)

HPN 의 핵심은 잔차 조절 항-히비안 (Residual-modulated Anti-Hebbian) 규칙을 통해 가중치 $W_{ij}$를 업데이트하는 것입니다.
$$\Delta W_{ij} = -\eta_w f(R_i) S_{ij} + \varepsilon g(|R_i|) S_{ij} - \lambda W_{ij}$$

• Plastic Yield (항-히비안 항): 국소적 불균형 ($R_i$) 이 큰 경로는 전도도를 조절하여 불균형을 해소합니다. 이는 잔차 에너지 (Residual Energy) 에 대한 국소적 경사 하강 (Gradient Descent) 으로 해석됩니다.
• Promotion & Decay: 경로가 소멸되지 않도록 하는 기본 투과성 ($\varepsilon$) 과 무한한 성장을 방지하는 감쇠 ($\lambda$) 항을 포함하여 수치적 안정성을 확보합니다.

다. 물리학적 일관성

• 전역 보존: 그래프 구조 자체가 내부 재분배만 허용하므로, 전역 보존 ($\sum R_i = 0$) 은 대수적으로 항상 만족됩니다.
• 온사거 역학 (Onsager Reciprocity): 평형 근처에서 학습된 운반 연산자는 대칭적이고 양의 정부호 (Positive-definite) 형태가 되어, 명시적 강제 없이도 온사거의 상호성 (Reciprocal Relations) 을 자연스럽게 회복합니다.

3. 주요 기여 (Key Contributions)

1. 고정된 구조의 탈피: 물리 법칙을 고정된 미분 연산자로 부과하는 대신, 국소적 불균형 해소를 통해 운반 기하학 (Transport Geometry) 이 스스로 학습되도록 합니다.
2. 열역학적 일관성 증명: 적응 규칙이 잔차 에너지에 대한 경사 하강임을 수학적으로 증명하여, 시스템이 열역학적으로 허용 가능한 경로만 따르도록 보장합니다.
3. 글로벌 솔버 불필요: 푸아송 방정식 풀이나 역전파 (Backpropagation) 와 같은 전역 최적화 과정 없이, 국소적 업데이트만으로 물리적으로 일관된 흐름 구조가 나타남을 보였습니다.
4. 비평형 자기 조직화: 외부 구동력이 있는 비평형 상태에서도 시스템이 적응적 국소 기하학을 통해 새로운 운반 위상 (Transport Topology) 을 자발적으로 조직화합니다.

4. 결과 (Results)

논문은 두 가지 표준 물리 문제에 HPN 을 적용하여 검증했습니다.

A. 스칼라 확산 (Scalar Diffusion)

• 초기 조건: 무작위 연결 그래프와 균일한 가중치에서 시작.
• 결과: 국소적 잔차에 기반한 적응을 통해 확산 전파가 발생했습니다.
  • 확산 전면 (Front) 은 $r \propto \sqrt{n}$ (물리 시간) 의 포물선 형태를 따릅니다.
  • 학습된 가중치 분포는 불필요한 경로를 제거 (Pruning) 하고 유효한 운반 기하학을 형성하여, 확산 법칙 ($\partial_t c = D\nabla^2 c$) 을 거시적으로 재현합니다.
  • 전역 보존 오차는 기계 정밀도 수준 ($10^{-11}$) 으로 유지되었습니다.

B. 비압축성 리드 - 드리븐 캐비티 흐름 (Incompressible Lid-Driven Cavity Flow)

• 설정: 나비에 - 스토크스 방정식을 잔차 계산 (제약 조건) 에만 사용하고, 운동량 재분배는 HPN 의 적응 가중치에 맡깁니다.
• 결과:
  • 초기 정적 상태에서 시작하여, 국소적 불균형 해소 과정을 통해 전형적인 재순환 와류 (Recirculating Vortex) 구조가 자발적으로 형성되었습니다.
  • 압력장은 질량 보존 위반을 보정하는 라그랑주 승수 역할을 수행하며, 흐름이 안정화됨에 따라 압력 변동이 감소했습니다.
  • 가중치 분포는 전단 (Shear) 과 관련되어 무거운 꼬리 (Heavy-tailed) 구조를 보이며, 비평형 정상 상태 (Non-equilibrium Steady State) 에 도달했습니다.
  • $Re=100$ 조건에서 기존 벤치마크 데이터 (Ghia et al.) 와 높은 정확도로 일치했습니다.

5. 의의 및 결론 (Significance)

• 계산 패러다임의 전환: HPN 은 "고정된 방정식의 해"를 구하는 것이 아니라, "제약 조건 하에서의 열역학적 relaxation 경로" 를 계산하는 새로운 패러다임을 제시합니다.
• 물리 정보 기계 학습 (PIML) 의 확장: 기존의 PIML 이 상향식 (Top-down) 으로 고정된 방정식을 부과하는 것과 달리, HPN 은 하향식 (Bottom-up) 으로 국소적 상호작용을 통해 물리 법칙이 창발 (Emergence) 하도록 합니다.
• 비평형 시스템 적용 가능성: 유효한 운반 법칙을 미리 알 수 없는 복잡한 비평형 시스템 (난류, 복잡한 유체 - 구조 상호작용 등) 에서, 시스템이 스스로 적절한 운반 구조를 발견하고 학습할 수 있음을 보여줍니다.
• 기하학적 해석: 잔차 (Residual) 를 국소적 기하학의 불일치 (Curvature) 로 해석할 수 있으며, HPN 의 적응 과정은 이 기하학을 평탄하게 만드는 과정으로 해석될 수 있습니다.

결론적으로, HPN 은 물리 법칙을 외부에서 부과하는 것이 아니라, 시스템 내부의 국소적 불균형 해소 메커니즘을 통해 물리적으로 일관된 운반 구조와 상태가 공진화하도록 하는 혁신적인 계산 프레임워크입니다.