Conditional splitting probabilities for hidden-state inference in drift-diffusive processes

기술 요약: 은닉 상태 추론을 위한 조건부 분할 확률 (Conditional Splitting Probabilities)

문제 정의
분할 확률(Splitting probabilities)은 확률 과정에서 특정 경계를 통해 시스템이 구간을 벗어날 가능성을 정량화하는 근본적인 물리량이다. 이는 전통적으로 1차원 과정에 적용되어 탈출 확률(예: 도박사의 파산 문제, 집단 역학에서의 고정)을 결정하는 데 사용되었으나, 본 연구는 더 복잡한 시나리오인 2차원 마르코프 과정 $\{X(t), Y(t)\}$를 다룬다. 여기서 $X(t)$는 관측 가능한 연속 드리프트-확산 변수이며, $Y(t)$는 은닉된 내부 상태(이산적 또는 연속적일 수 있음)를 나타낸다. 핵심 문제는 결합 분할 확률(joint splitting probability), 즉 $X(t)$가 특정 경계 $L = [x_{min}, x_{max}]$를 통해 탈출할 확률과 그 탈출 순간의 은닉 상태 $Y(t)$가 특정 구성 $y_{exit}$에 있을 확률을 결정하는 것이다.

이를 바탕으로, 본 논문은 조건부 분할 확률(conditional splitting probability), 즉 특정 경계에서 탈출 이벤트가 발생했을 때의 은닉 상태 $Y$에 대한 사후 확률을 조사한다. 저자들은 단일 지점 탈출 이벤트의 관찰이 은닉 변수의 상태를 추론하는 데 사용될 수 있는지, 그리고 어떻게 가능한지를 규명하고자 하며, 이는 능동 물질 제어(active matter control) 및 의사 결정 이론과 관련된 역량을 갖는다.

방법론
저자들은 **콜모고로프 역방향 방정식(Kolmogorov backward equation)**과 **베이즈 정리(Bayes' theorem)**에 기반한 프레임워크를 채택한다.

1. 결합 확률 정식화:
   전방 포커-플랑크 연산자 $\mathcal{L}^{(X)}_F$와 $\mathcal{L}^{(Y)}_F$에 의해 지배되는 과정에 대해, 결합 분할 확률 $\Pi(x_{exit}, y_{exit}|x_0, y_0)$는 다음과 같은 정상 상태 역방향 방정식을 만족한다:
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   이때 경계 조건은 프로세스가 구간 경계에서 흡수되는 상황을 고려한다. 저자들은 완전 투과성(흡수형) 및 부분 투과성(로빈 경계 조건)을 모두 고려한다.

2. 디커플링(Decoupled) 대 결합(Coupled) 역학:
   분석은 두 가지 클래스의 과정으로 나뉜다:

• 디커플링된 경우 (Decoupled Case): $X(t)$는 $Y(t)$와 독립적인 단순 브라운 운동이다. 이 경우 솔루션은 $Y(t)$의 포커-플랑크 연산자의 고유 기저(eigenbasis)를 사용하여 구축된다. 결합 확률은 $Y$ 과정의 고유함수와 고유값을 포함하는 스펙트럼 전개(spectral expansion)로 표현된다.
• 단방향 결합된 경우 (Unidirectionally Coupled Case): $X(t)$가 $Y(t)$에 의존하지만(예: 드리프트 또는 확산 계수가 내부 상태에 의존), $Y(t)$는 $X(t)$와 독립적으로 진화한다. 이 경우 역방향 방정식은 결합된 ODE 시스템이 되며, 특정 패러다임 모델들에 대해 명시적으로 풀이된다.

3. 조건부 추론:
   결합 확률이 계산되면, 베이즈 정리를 통해 조건부 분할 확률이 유도된다:
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   여기서 분모는 관측 가능한 $X$의 주변 분할 확률이다.

주요 결과

1. 디커플링된 은닉 상태 (브라운 운동 + 내부 상태)
$X(t)$가 브라운 운동이고 $Y(t)$가 디커플링된 내부 상태(이산 또는 연속)인 과정에 대해, 저자들은 $Y$ 역학의 고유계(eigensystem)를 이용한 결합 분할 확률의 일반적인 식을 도출한다.

• 익기-부패(Ripening-Spoiling) 과정: 3상태 모델(미성숙 $\to$ 익음 $\to$ 부패)을 분석한다. 특정 상태(예: "익음")로 탈출할 결합 확률은 초기 위치 $x_0$에 대해 비단조적(non-monotonic) 의존성을 보인다. 이는 특정 지속 시간(익었지만 아직 부패하지 않은 상태로 전이할 수 있는 시간)을 가진 궤적만이 해당 상태에서의 탈출 확률에 기여하기 때문이다.
• 오른슈타인-우렌벡(OU) 과정: 연속 가우시안 은닉 상태의 경우, 결합 확률은 에르미트 다항식(Hermite polynomials)의 무한 급수로 표현된다.
• 추론 한계: 디커플링된 경우, 저자들은 단일 탈출 이벤트로부터 은닉 상태를 추론하는 것이 오직 과도 상태(transient regime)(비정상 초기 조건)에서만 가능하다는 것을 입증한다. 구간이 매우 커지거나($L \to \infty$) 확산이 사라지는($D \to 0$) 극한에서, 결합 확률은 주변 분할 확률과 $Y$의 정상 상태 분포의 곱으로 인수분해된다. 결과적으로 조건부 확률은 사전 확률(prior)로 수렴하게 되어, 정상 상태 초기화 시에는 추론이 불가능해진다.

2. 단방향 결합된 은닉 상태
관측된 역학이 은닉 상태에 의존하는 시스템의 경우, 정상 상태 초기화에서도 추론이 가능하다. 저자들은 세 가지 사례에 대해 명시적인 유도를 제공한다:

• 런-앤-텀블(Run-and-Tumble, RnT) 역학: 전환율 $\alpha$로 스위칭하는 자기 추진 상태 $Y \in \{-1, 1\}$를 가진 입자이다. 저자들은 결합 역방향 방정식을 풀어 결합 분할 확률을 구한다. 이들은 경계 탈출 시 입자의 방향(왼쪽 이동자 vs 오른쪽 이동자)에 대한 사후 가능성이 사전 확률(1/2)에서 크게 벗어남을 보여준다. 이러한 편차는 페클레 수($Pe = \nu^2/\alpha D$)가 증가함에 따라 커지며, 이는 지속성(persistence)이 긴 구간 극한에서도 내부 상태에 대한 신뢰할 수 있는 추론을 가능하게 함을 나타낸다.
• 간헐적 피스와이즈-리니어 퍼텐셜(Intermittent Piecewise-Linear Potential): 확률적으로 "On" 또는 "Off"로 전환되는 퍼텐셜의 영향을 받는 입자이다. 저자들은 퍼텐셜 정점(apex)을 기준으로 도메인을 나누어 결합 확률을 해결한다. 결과는 퍼텐셜이 "On"인지 "Off"인지에 대한 조건부 확률이 정점의 위치와 장벽 높이에 따라 비단조적으로 의존함을 보여준다.
• 확률적 리세팅(Stochastic Resetting): 위치 $x_r$로 확률적 리세팅을 겪는 브라운 운동 입자이다. 은닉 상태는 리세팅 횟수 $n$으로 정의된다. 저자들은 정확히 $n$번의 리세팅 후 탈출할 결합 확률을 도출한다. 포아송 과정의 무기억성(memoryless nature) 때문에 가장 가능성 높은 리세팅 횟수는 0이지만, 특정 탈출 경계에 대해 조건화된 평균 리세팅 횟수는 비자명하며(non-trivial), 리세팅률과 구간 크기에 따라 달라진다.

의의 및 주장
본 논문은 두 가지 주요 기여를 주장한다:

1. 분석적 프레임워크: 2차원 마르코프 과정에 대한 결합 분할 확률을 계산하는 일반적인 방법(디커플링 시스템의 경우 스펙트럼 분해를 통해, 단방향 결합 시스템의 경우 결합된 ODE의 명시적 해를 통해)을 제공한다.
2. 추론 체계: 점 단위의 탈출 이벤트 탐지만을 기반으로 은힌 내부 상태에 대한 **부분적 베이즈 추론(partial Bayesian inference)**을 수행하는 "단순한 체계"를 확립한다.

저자들은 두 클래스의 과정 사이의 결정적인 차이점을 강조한다:

• 디커플링된 시스템에서는 추론이 과도 역학에 국한된다. 은닉 상태가 정상 상태에 도달하면 탈출 이벤트는 내부 상태에 대한 정보를 제공하지 못한다.
• 단방향 결합된 시스템(능동 물질 모델에서 흔함)에서는 결합이 탈출 통계에 내부 상태에 대한 정보를 보존하여, 장시간 극한($L \to \infty$)에서도 추론을 가능하게 한다.

이 연구는 이러한 경계 기반 추론 체계가 탈출 지점과 은닉 상태 사이의 상관관계를 활용함으로써, 예를 들어 능동 입자로부터의 에너지 추출 최적화와 같이 구동된 확률 과정의 제어에 적용될 수 있음을 시사한다. 저자들은 지금까지 결합된 사례에서 이산 은닉 상태에 집중했으나, 연속적인 은닉 상태(예: 능동 오른슈타인-우렌벡 과정)로 결과를 확장하는 것은 여전히 해결해야 할 과제로 남아 있다고 언급했다.