🔬 condensed matter

Unveiling hidden features of social evolution by inferring Langevin dynamics from data

이 논문은 역사적 궤적을 분석하는 데 있어 결정론적 접근 방식의 한계를 극복하기 위해, 사회 진화를 연속 시간 역학으로 모델링하는 확률 미분 방정식 프레임워크를 제안하며, 이를 통해 비가역성을 정량화하고, 외생적 섭동을 탐지하며, 결측 데이터를 보간할 수 있게 한다.

원저자: Youngkyoung Bae, Hajime Shimao, Seungwoong Ha, Luna Yang, David Wolpert

게시일 2026-01-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Youngkyoung Bae, Hajime Shimao, Seungwoong Ha, Luna Yang, David Wolpert

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인류 문명의 역사를 서로 연결되지 않은, 흐릿한 스냅샷들의 연속으로 이해하려고 노력한다고 상상해 보십시오. 전통적인 역사는 이 점들을 직선으로 연결하려 하며, 과거를 알면 단순한 공식인 "X가 발생하면 Y가 뒤따른다"를 통해 미래를 예측할 수 있다고 가정합니다.

이 논문은 역사가 직선이 아니라, 마치 안개 낀 숲을 걷는 취객과 같다고 주장합니다. 그들은 가고자 하는 일반적인 방향(즉, "표류/drift")이 있지만, 끊임없이 비틀거리거나 흔들리며 바람에 밀려나기도 합니다(즉, "무작위 소음/random noise").

저자들은 **랑제뱅 역학(Langevin Dynamics)**이라는 수학적 도구를 사용하여 역사를 연구하는 새로운 방법을 제안합니다. 이것은 역사를 위한 "일기 예보"라고 생각하면 됩니다. 단순히 "내일 비가 올 것이다"라고 말하는 대신, 비가 올 확률은 얼마인지, 바람이 얼마나 세게 불 것인지, 그리고 갑작스러운 폭풍이 전체 경로를 바꿀 가능성이 얼마나 높은지를 알려줍니다.

다음은 이들의 아이디어를 쉬운 비유를 통해 정리한 것입니다.

1. 핵심 개념: "비틀거리는 걸음"으로서의 역사

대부분의 역사서는 사회를 당구공처럼 취급합니다. 한 방향으로 치면 그 방향으로 간다는 식입니다. 저자들은 이것이 틀렸다고 말합니다. 사회는 오히려 강물을 떠내려가는 나뭇잎과 같습니다.

표류 (강물의 흐름): 이는 거대한 구조적 힘을 나타냅니다. 예를 들어, 사회가 부유해질수록 민주적으로 변하는 경향이 있습니다. 이것이 나뭇잎을 특정 방향으로 밀어내는 "강물의 흐름"입니다.
확산 (흔들림): 이는 무작위적인 혼돈을 나타냅니다. 갑작스러운 전쟁, 천재적인 지도자, 전염병, 또는 흉작은 나뭇잎을 강물의 흐름에 역행하여 옆으로 밀어낼 수 있습니다.
혁신: 이 논문은 이 "흔들림"을 무시해야 할 "소음"으로 치부하는 대신, 이를 이야기의 핵심적인 부분으로 다룹니다. 그들은 수학을 사용하여 "강물의 흐름"과 "무작위적인 흔들림"을 분리해 냅니다.

2. 이 새로운 방법이 가진 세 가지 초능력

역사를 이 "비틀거리는 걸음"으로 취급함으로써, 저자들은 기존 방식으로는 할 수 없었던 세 가지 특별한 능력을 확보했습니다.

A. "시간의 화살" 측정 (가역성)

역사의 영화를 거꾸로 재생한다고 상상해 보십시오. 정상적으로 보일까요?

비유: 달걀을 떨어뜨려 깨진다면, 당신은 시간이 앞으로 흐르고 있다는 것을 압서합니다. 깨진 달걀을 다시 붙일 수는 없습니다.
논문의 발견: 저자들은 역사가 얼마나 "단방향"인지를 측정하는 점수를 만들었습니다. 그들은 역사가 일반적으로 강한 순방향성(언덕 아래로 흐르는 강물처럼)을 가지고 있음을 발견했습니다. 그러나 그들은 국가가 자연스러운 흐름에 역행하여 언제 "상류"로 올라갔는지 정확히 짚어낼 수 있었습니다.
실제 사례: 그들은 주요 위기 상황(예: 2008년 금융 위기나 2020년 팬데믹) 동안 국가들이 평소의 경로를 따르지 않고, 혼란스럽고 예측 불가능한 방식으로 움직였다는 것을 발견했습니다.

B. "반전" 포착 (외생적 섭동)

때때로 나뭇잎이 떨어지는 나뭇가지에 맞기도 합니다. 그것은 외부 충격입니다.

비유: 길을 걷다가 갑자기 낯선 사람에게 밀린다면, 그것은 "섭동(perturbation)"입니다.
논문의 발견: 그들의 수학은 "정상적인 흔들림"(예: 날씨로 인한 경제의 미세한 변화)과 "거대한 충격"(예: 혁명이나 전쟁)을 구분할 수 있습니다.
실제 사례: 그들은 1968년 프랑스 시위를 "통계적 이상 현상"으로 식별했습니다. 즉, 일반적인 역사의 규칙으로는 설명할 수 없는 거대하고 예상치 못한 도약이었습니다. 이는 바람이 나뭇잎을 강물 밖으로 완전히 날려버린 순간이었습니다.

C. 빈칸 채우기 (확률적 임퓨테이션)

역사적 기록에는 구멍이 많습니다. 우리는 어떤 국가의 1900년과 1920년 상태는 알 수 있지만, 그 사이의 일은 모를 수 있습니다.

비유: 진흙 위에 찍힌 자동차 타이어 자국을 보고 A 지점에서 B 지점까지의 경로를 추측할 수 있는 것처럼, 중간 경로를 짐작할 수 있습니다.
논문의 발견: 그들은 단순히 점들을 직선으로 잇는 대신(이는 잘못된 방식입니다), 이 "비틀거리는 걸음" 모델을 사용하여 그 국가가 취할 수 있었던 수천 가지의 가능한 경로를 시뮬레이션합니다. 이는 역사가 복잡하고 불확실하다는 점을 고려하여 훨씬 더 현실적인 그림을 제공합니다.

3. 그들이 실제로 테스트한 것

저자들은 이론만 늘어놓은 것이 아니라, 두 가지 실제 데이터셋을 통해 이를 검증했습니다.

현대 정치 ("부유한 세계" 테스트): 그들은 1995년부터 2022년까지 149개국의 민주주의, 불평등, 부를 추적했습니다.
- 발견: 부유한 국가의 경우, 높은 불평등이 일종의 "덫"으로 작용한다는 것을 발견했습니다. 불평등은 사회를 보통 민주주의로 밀어 올리는 "흐름"을 약화시켜, 사회가 권위주의로 무작위하게 미끄러져 내려갈 가능성을 훨씬 높입니다.
고대 문명 ("세샤트" 테스트): 그들은 역사적 사실 데이터베이스를 사용하여 고대 사회(로마, 중국, 이집트 등)를 조사했습니다.
- 발견: 문명은 일반적으로 깔때기 모양(더 커지고 더 복잡해지는 형태)으로 성장한다는 것을 발견했습니다. 그러나 그들은 문명이 갑자기 복잡성에서 "도약"하거나(예: 로마의 관료제 구축), 붕괴하는(예: 서로마 제국의 몰락) 특정 순간을 포착하여, 완만한 쇠퇴와 갑작스러운 추락을 구분해 냈습니다.

핵심 요약

이 논문은 미래를 예측하거나 역사가 무작위라고 주장하는 것이 아닙니다. 대신, 더 나은 지도를 제공합니다.

옛날 지도는 이렇게 말했습니다: "이곳으로 가면 저곳에 도착할 것이다."
이 새로운 지도는 이렇게 말합니다: "이곳으로 가면 저곳에 도착할 가능성이 높지만, 폭풍이 당신을 경로에서 벗어나게 할 확률이 20% 있으며, 바로 이곳에서 그러한 폭풍이 발생합니다."

이것은 역사학자들이 "왜 이런 일이 일어났는가?"라는 질문을 멈추고, "이 일이 일어날 확률은 얼마였으며, 어떤 종류의 충격이 있어야 이 일을 일어나게 만들 수 있었는가?"라는 질문을 던지도록 돕습니다. 이는 역사를 고정된 운명의 이야기가 아니라 확률, 기회, 그리고 구조적 흐름의 이야기로 탈바꿈시킵니다.

기술 요약: 데이터로부터 랑주뱅 역학(Langevin Dynamics)을 추론하여 사회 진화의 숨겨진 특징 밝히기

문제 제이트 (Problem Statement)
본 논문은 정량적 역사학 및 정치경제학의 근본적인 한계, 즉 결정론적 스냅샷이나 평균 효과(예: 회귀 기반 방법론)에 의존함으로써 역사적 궤적의 연속적이고 본질적으로 불확실한 성격을 포착하지 못하는 문제를 다룹니다. 기존의 "신뢰성 혁명(credibility revolution)" 도구들(예: 이중차분법, 도구 변수법)은 평균적인 인과 효과를 추정하는 데는 효과적이지만, 역사적 경로의 가변성, 시간에 따른 불확실성의 축적, 또는 구조적 추세와 우발적 사건 사이의 구분을 통찰하는 데는 한계가 있습니다. 또한, 역사적 데이터는 희소성, 불규칙한 샘플링, 누락된 항목, 그리고 이질적인 측정 품질이라는 특성을 가집니다. 저자들은 역사적 변화를 결정론적 과정이 아닌 확률적 과정으로 취급하는 것이 알레아토릭 불확실성(aleatoric uncertainty, 숨겨진 자유도로 인한 내재적 무작위성)과 에피스테믹 불확실성(epistemic uncertainty, 불완전한 정보 및 측정 오차)을 구분하는 데 필수적이라고 주장합니다.

방법론 (Methodology)
저자들은 사회의 상태를 연속 시간에서 **확률 미분 방정식(SDE)**을 따라 진화하는 벡터로 모델링하는 프레임워크를 제안합니다. 상태 $x_t$ 는 거시적 변수(예: 민주주의, 불평등, 복잡성)를 나타내며, 그 진화는 다음과 같이 지배됩니다:
$dx_t = F(x_t)dt + \sqrt{2D(x_t)}dW_t$
여기서 $F(x_t)$ 는 **드리프트 필드(drift field, 결정론적 구조적 추세)**이며, $D(x_t)$ 는 **확산 행렬(diffusion matrix, 내재적 확률적 변동의 크기와 공분산)**입니다.

이 프레임워크는 세 가지 주요 기술적 구성 요소를 포함합니다:

상태 공간 구축 (State Space Construction): 가공되지 않은 역사적 지표들(종종 범주형 또는 서열형)을 차원 축소 기법(예: PCA)과 이분산성을 처리하기 위한 로그 변환을 사용하여 연속적이고 저차원인 잠재 상태 공간으로 매핑합니다. 이를 통해 일관된 벡터 $x_t \in \mathbb{R}^d$ 를 생성합니다.
SDE 추론 (SDE Inference): 희소하고 불규칙한 데이터를 처리하기 위해 저자들은 두 가지 상보적인 추론 방법을 사용합니다:
- 랑주뱅 베이지안 네트워크 (Langevin Bayesian Networks, LBN): 현대 정치경제 데이터셋(응용 사례 1)에 사용됩니다. 이 방법은 신경망을 사용하여 드리프트와 확산을 근사하며, 크라머스-모이알 계수(Kramers-Moyal coefficients, 조건부 모멘트)를 일치시키도록 훈련됩니다. 또한, 모델 앙상블을 통해 에피스테믹 불확실성을 정량화하기 위해 SWAG(Stochastic Weight Averaging-Gaussian)를 활용합니다.
- 비매개변수 가우시안 프로세스 SDE (Nonparametric Gaussian Process SDE, npSDE): 매우 희소한 역사적 문명 데이터셋(응용 사례 2)에 사용됩니다. 이 방법은 드리프트와 확산을 가우시안 프로세스로 모델링하며, 시뮬레이션 기반 가능도 최적화를 채택하여 밀집된 데이터 없이도 불규칙한 샘플링 간격에 강건하게 대응합니다.
분석적 능력 (Analytical Capabilities): 이 프레임워크는 세 가지 특정 분석 도구를 제공합니다:
- 가역성 (Irreversibility): 순방향 궤적과 시간 역전 궤적 사이의 로그 가능도 비(log-likelihood ratio)를 계산하여 "역사의 화살"을 정량화합니다. 이는 시간 비대칭성과 구조적 방향성의 정도를 측정합니다.
- 외생적 섭동 탐지 (Exogenous Perturbation Detection): 학습된 내생적 역학 하에서 통계적으로 일어날 법하지 않은 전이를 식별합니다. 이는 "정규화된 놀람(normalized surprisal)" 지표를 통해 수행되며, 진정한 외부 충격(예: 전쟁, 전염병)과 드물지만 가능한 내부 변동을 구분합니다.
- 확률적 임퓨테이션 (Probabilistic Imputation): 학습된 SDE를 사용하여 조건부 분포 $P(x_t | x_0, x_T)$ 로부터 샘플링함으로써, 단순한 선형 보간법이 아닌 비선형 역학과 내재적 변동성을 존중하며 누락된 역사적 데이터를 채웁니다.

주요 결과 (Key Results)
프레임워크는 두 가지 서로 다른 영역에 적용되었습니다:

응용 사례 1: 정치경제의 진화 (현대 시대):
- 149개국의 데이터(V-Dem, WID, Maddison)를 사용하여, 저자들은 높은 경제적 불평등이 민주적 제도에 "불안정화 압력"을 가한다는 드리프트 필드를 추론했습니다. 이는 특히 구조적 탄력성이 사라지는 고(高) GDP 맥락에서 두드러집니다.
- 확산 필드는 민주주의 점수가 높은 불평등 및 높은 GDP 체제에서 높은 변동성을 보이는 반면, 불평등은 상대적으로 견고하다는 것을 보여주었습니다.
- 가역성 분석은 지속적인 전역적 평형 이탈 경향을 확인했으나, 대공황이나 COVID-19와 같은 주요 위기에 대응하여 궤적이 구조적 드리프트에서 벗어난 특정 하락 구간들을 식별해 냈습니다.
- 섭동 탐지는 9/11 테러와 멘살랑 스캔들(Mensalão Scandal) 같은 역사적 변칙 사례를 성공적으로 포착하여, 구조적으로 영향력이 있었던 사건과 통계적으로 극단적이었던 사건을 구분했습니다.
응용 사례 2: 역사적 문명 (Seshat/Polaris 데이터셋):
- 규모(Scale)와 계산 능력(Computation)을 상태 변수로 하여 수천 년 동안 27개 자연 지리 영역(NGA)을 분석했습니다.
- 전역적 드리프트 필드는 저복잡도 정치체가 고복잡도로 끌어당기는 "깔때기" 형태를 띠며, 중간 단계에서 이득이 정체되는 양상을 보입니다.
- 사례 연구:
  - 파리 분지 (Paris Basin): "계산 능력(제도적 역량)"에서 통계적으로 놀라운 가속을 식별했습니다. 이는 방향성을 가진 구조적 변화(irreversible)였으며, 이는 불연속적인 제도적 전환을 시사합니다.
  - 라티움 (Latium): "제도적 도약(institutional takeoff, 방향성 있는 구조적 변화)"과 이후의 제국 쇠퇴(통계적으로 놀랍지만 강력한 가역성은 없는 상태)를 구분했습니다. 이는 후자가 결정론적 붕괴를 향한 드리프트라기보다 사건 중심의 교란이었음을 시사합니다.
  - 중부 황하 유역 (Middle Yellow River Valley): 지속적인 드리프트와 함께 에피소드적 수축을 보여주었으며, 이는 왕조 교체와 같은 시대 구분 가설이 낮은 전이 확률 때문에 더 면밀한 역사적 검토가 필요한 구간임을 강조합니다.

의의 및 주장 (Significance and Claims)
본 논문은 확률적 관점을 채택함으로써 정적 또는 순수 결정론적 모델에서는 불가능한 분석 능력을 확보할 수 있다고 주장합니다. 구체적으로:

통합된 방법론: 안정성, 우연성, 역학을 해부할 수 있는 단일 프레임워크를 제공하며, "구조적 결정론 대 순수 우연"이라는 이분법을 넘어섭니다.
불확실성의 정량화: 알레아토릭 불확실성과 에피스테믹 불확실성을 명시적으로 구분하고 정량화함으로써, 연구자가 진정한 놀라운 사건과 모델 제약의 부족으로 인한 인위적 결과물을 구분할 수 있게 합니다.
진단적 힘: 가역성과 섭동이라는 지표는 역사학자들에게 데이터가 급격한 재구성, 외부 충격, 또는 코딩의 모호함을 암시하는 구간을 알려주는 "트리아지(triage, 우선순위 결정)" 도구 역할을 하며, 질적 조사의 대상을 우선순위화하도록 안내합니다.
철학적 전환: 저자들은 사회적 역학을 확률적으로 다루는 것이 역사를 단일한 실현 가능한 경로가 아니라, 구조적 제약과 환원 불가능한 우연성에 의해 형성되는 가능한 궤적들의 분포로 재정의함으로써 에이전시(agency)와 책임의 개념을 재구성한다고 주장합니다.

본 논문은 SDE가 축약된 형태의 표현이며, 추정된 드리프트 및 확산 항이 직접적인 인과 관계를 의미하는 것이 아님을 인정하며 신중한 입장을 유지합니다. 대신, 이들은 기저 메커니즘과 제도적 제약에 대한 테스트 가능한 가설을 생성할 수 있는 조건부 통계적 경향성을 요약합니다. 이 프레임워크는 기존 사회과학 방법론을 보완하는 층위로서, 특히 파편화되고 불규칙한 역사적 데이터를 다루는 데 있어 매우 가치 있는 도구로 제시됩니다.