Murmurations: a case study in AI-assisted mathematics

이 논문은 머신러닝 해석 기법을 통해 발견된 새로운 산술 현상인 ' murmurations (속삭임)'을 소개하고, 이를 Birch 와 Swinnerton-Dyer 추측 및 무작위 행렬 이론과 같은 수론의 핵심 주제와 연결하여 분석합니다.

핵심

AI 가 발견한 소수들의 '군무' (Murmurations): 수학의 새로운 발견

이 논문은 인공지능 (AI) 과 수학이 만나서 수천 년 동안 연구되어 온 '소수 (Prime Numbers)'와 '타원곡선 (Elliptic Curves)'이라는 고전적인 분야에서 전혀 예상치 못한 새로운 패턴을 발견한 이야기를 담고 있습니다.

이 복잡한 내용을 일상적인 언어와 비유로 쉽게 설명해 드리겠습니다.

---

1. 배경: 수학은 이미 너무 많이 연구되었나요?

소수와 타원곡선은 수학의 가장 오래되고 중요한 주제들입니다. 마치 오래된 도시의 지도처럼, 수학자들은 수백 년 동안 이들을 연구하며 거의 모든 구석구석을 탐험했다고 믿어 왔습니다. 특히 'LMFDB'라는 거대한 데이터베이스에는 수천 년 동안 쌓인 방대한 수학 데이터가 정리되어 있습니다.

그런데도, 연구자들은 AI 를 이용해 이 데이터를 다시 살펴보다가 "어? 뭔가 이상한 게 보이는데?"라는 것을 발견했습니다. 마치 오래된 지도를 다시 보니, 사람들이 한 번도 보지 못한 새로운 조류 (새 떼) 의 비행 패턴이 숨어 있었던 것과 같습니다.

2. 발견된 현상: '무르무레이션 (Murmurations)'이란?

저자들은 이 새로운 패턴을 **'무르무레이션 (Murmurations)'**이라고 이름 지었습니다. 이 단어는 제비떼가 하늘에서 무리 지어 날아갈 때, 마치 하나의 거대한 생체처럼 흐르는 듯한 군무 현상을 뜻합니다.

• 기존의 생각: 소수나 타원곡선을 볼 때, 우리는 보통 "이 숫자는 1 이 더 많을까, 3 이 더 많을까?"라고 개별적으로 세거나, 하나의 곡선만 집중해서 보았습니다.
• 새로운 발견: 연구자들은 비슷한 성격을 가진 수많은 타원곡선들을 한데 묶어서 평균을 내어 보았습니다. 그랬더니, 개별 곡선에서는 보이지 않던 매우 규칙적이고 아름다운 '진동 (오실레이션)' 패턴이 나타났습니다.

이 패턴은 마치 제비떼가 날개를 퍼덕이며 하늘을 가로지를 때, 무리 전체가 만들어내는 파도와 같습니다. 개별 새 (개별 곡선) 는 복잡하게 움직이지만, 무리 전체로 보면 놀랍도록 질서 정연한 흐름을 만듭니다.

3. 어떻게 발견했을까? (AI 의 역할)

이 패턴은 사람이 눈으로 직접 찾아낸 것이 아니라, AI 가 데이터를 분석하는 과정에서 드러났습니다.

• 비유: imagine(상상해 보세요). 수천 개의 서로 다른 악보 (데이터) 가 있습니다. 사람이 하나씩 들어보면 복잡한 소리로 들리지만, AI 는 이 모든 악보를 동시에 재생하며 '공통된 리듬'을 찾아냅니다.
• 과정:
  1. AI 는 방대한 타원곡선 데이터를 '고차원 점구름 (3 차원 이상의 복잡한 공간에 흩어진 점들)'으로 표현했습니다.
  2. **주성분 분석 (PCA)**이라는 AI 기술을 써서, 이 복잡한 점들이 어떤 방향으로 가장 많이 퍼져 있는지 찾아냈습니다.
  3. 그랬더니, 그 퍼짐의 방향에서 **소수들의 나열에 따라 위아래로 요동치는 파동 (무르무레이션)**이 선명하게 나타났습니다.

흥미로운 점은, 이 패턴이 **크기에 상관없이 똑같이 반복된다는 것 (Scale-invariance)**입니다. 데이터의 범위를 넓히든 좁히든, 그 '파동'의 모양과 위치는 변하지 않았습니다. 이는 마치 **프랙탈 (자연의 자기 유사성)**처럼, 수학의 깊은 구조를 보여줍니다.

4. 왜 중요한가요?

이 발견은 단순한 호기심을 넘어, 수학의 거대한 두 이론을 연결하는 열쇠가 될 수 있습니다.

1. 비밀스러운 연결고리: 이 '군무' 패턴은 **타원곡선의 '랭크 (Rank)'**라는 중요한 수학적 성질과 깊은 연관이 있습니다. 랭크는 곡선이 얼마나 복잡한지, 혹은 얼마나 많은 해를 가지는지를 나타내는 지표입니다.
2. 새로운 질문: 기존에는 "하나의 곡선이 어떤 성질을 가질까?"를 연구했다면, 이제는 "수많은 곡선들이 모여 어떤 집단적 성향을 보이는가?"를 연구하게 되었습니다.
3. AI 와 인간의 협력: 이 발견은 AI 가 단순히 계산을 빠르게 해주는 도구가 아니라, 인간이 눈치채지 못한 패턴을 찾아내어 새로운 수학적 질문을 던지게 해주는 파트너임을 보여줍니다.

5. 결론: AI 가 만든 새로운 수학

이 논문은 **"인공지능이 수학의 가장 깊은 곳에서도 새로운 보물을 찾아낼 수 있다"**는 것을 증명합니다.

• 과거: 수학자들은 컴퓨터를 계산기로만 사용했습니다.
• 현재: AI 는 데이터 속에서 숨겨진 '군무'를 발견하고, 수학자들이 그 의미를 해석하고 새로운 정리를 증명하도록 이끕니다.

마치 새로운 지도를 발견한 탐험가처럼, 연구자들은 AI 의 도움을 받아 수천 년 동안 연구된 수학의 바다에서 전혀 예상치 못한 **새로운 섬 (새로운 현상)**을 발견했습니다. 이는 수학의 미래가 인간의 직관과 AI 의 패턴 인식 능력이 손잡고 나아갈 것임을 시사합니다.

---

한 줄 요약:

AI 가 방대한 수학 데이터를 분석하다가, 개별적으로는 보이지 않던 소수와 곡선들의 '군무 (Murmurations)'라는 놀라운 집단 패턴을 발견했고, 이는 수학의 새로운 지평을 열었습니다.

기술 요약

논문 요약: AI 보조 수학 사례 연구로서의 '무르무레이션 (Murmurations)'

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 소수와 타원곡선은 수론의 핵심 대상이며, 현대 수론은 개별 객체보다는 대규모 데이터셋의 통계적 행동을 분석하는 경향이 있습니다. 특히, 타원곡선의 $L$-함수와 관련된 Frobenius trace($a_p$) 의 통계적 분포는 Birch 와 Swinnerton-Dyer (BSD) 추측 및 랜덤 행렬 이론과 깊이 연관되어 있습니다.
• 문제: 기존에 LMFDB 와 같은 방대한 데이터베이스가 존재하고 전문가들에 의해 오랫동안 분석되어 왔음에도 불구하고, 타원곡선 데이터에서 새롭고 놀라운 패턴이 발견되지 않았습니다.
• 목표: 기계학습 (Machine Learning) 의 해석 도구와 수론적 통찰력을 결합하여, 기존에 알려지지 않았던 Frobenius trace 의 새로운 통계적 현상 (무르무레이션) 을 발견하고 이를 수학적으로 정립하는 것입니다.

2. 방법론 (Methodology)

이 연구는 단순한 자동화 알고리즘이 아닌, 인간의 수학적 지식이 이끄는 AI 탐색 (AI-human hybrid approach) 을 통해 이루어졌습니다.

• 데이터 구성:
  • 타원곡선의 $L$-함수 계수인 Frobenius trace($a_p$) 를 고차원 벡터로 인코딩합니다.
  • 동형류 (Isogeny class) 단위로 데이터를 그룹화하며, 지수 (Conductor, $N$) 의 특정 구간과 계수 (Rank) 의 홀짝성을 기준으로 유사한 곡선들의 집합 ($S(\varepsilon, I)$) 을 정의합니다.
• 기계학습 기법 적용:
  1. 비지도 학습 (Unsupervised Learning - PCA):
     • 타원곡선 데이터를 고차원 점군으로 간주하고 주성분 분석 (PCA) 을 수행합니다.
     • 데이터의 분산이 가장 큰 방향 (주성분) 으로 투영하여, 계수 $a_p$의 가중합을 통해 새로운 패턴을 추출합니다.
  2. 지도 학습 (Supervised Learning - Logistic Regression):
     • 타원곡선의 계수 ($a_p$) 벡터를 입력으로 하여 계수 (Rank) 를 예측하는 로지스틱 회귀 모델을 훈련합니다.
     • 학습된 가중치 (Weights) 를 분석하여 BSD 추측과 관련된 구조를 발견합니다.
  3. 해석 도구:
     • Saliency curves 및 Convolutional filters와 같은 해석 가능성 (Interpretability) 도구를 사용하여 모델이 어떤 신호에 반응하는지 분석합니다. (단, 기존에 알려진 Mestre-Nagao 합과 같은 잘 알려진 신호와 구별되는 새로운 신호를 찾기 위해 주의 깊게 해석했습니다.)
• 수학적 정립:
  • 기계학습이 발견한 패턴을 순수 수학적으로 재정의합니다. 즉, 특정 지수 구간과 계수 홀짝성을 가진 동형류들의 $a_p$ 값을 평균낸 함수 $m_{\varepsilon, I}(p)$를 정의하고, 이 함수의 거동을 분석합니다.

3. 주요 기여 및 발견 (Key Contributions & Results)

• 무르무레이션 (Murmurations) 의 발견:
  • 정의: 특정 지수 구간과 계수 홀짝성을 가진 타원곡선 집합에 대해 $a_p$를 평균낸 값이 소수 $p$에 따라 진동 (Oscillation) 하는 현상.
  • 특징:
    • 스케일 불변성 (Scale Invariance): 지수 구간 (예: [5000, 10000], [10000, 20000] 등) 을 변경하더라도 진동의 형태와 피크 위치가 거의 동일하게 유지됩니다. 이는 평균에 사용된 데이터셋이 완전히 겹치지 않음에도 불구하고 발생합니다.
    • 예상과 다른 행동: 기존 통념에 따르면 계수 (Rank) 가 높은 곡선은 소수 모듈로에서 더 많은 해를 가질 것으로 예상되어 음의 편향 (Negative bias) 을 보일 것으로 생각되었습니다. 그러나 무르무레이션은 평균값이 $x$축을 중심으로 진동하며, 이는 기존 통념을 깨는 놀라운 결과입니다.
• 수학적 의미:
  • 이 현상은 BSD 추측의 핵심 요소인 Frobenius trace 의 미세한 정보를 인코딩하고 있습니다.
  • 무르무레이션은 수론적 통계 (Arithmetic statistics) 와 랜덤 행렬 이론의 새로운 연결고리를 제시합니다.
• AI 와 수학의 상호작용 증명:
  • PCA 를 통해 계수 (Rank) 에 따른 데이터의 분리가 명확히 관찰되었고, 주성분 벡터의 구성 요소에서 무르무레이션 패턴이 자연스럽게 나타났습니다.
  • 지도학습 모델이 계수를 예측하는 과정에서 학습된 가중치가 BSD 추측의 가중합 형태와 유사함을 보였습니다.

4. 의의 및 결론 (Significance)

• 수학적 발견의 새로운 패러다임:
  • 무르무레이션은 단순한 데이터 마이닝의 결과가 아니라, 인간의 수학적 통찰 (데이터 표현 방식 설계, 실험 설계) 과 AI 의 대규모 패턴 인식 능력이 결합되어 발견된 사례입니다.
  • 기존에 LMFDB 와 같은 방대한 데이터가 있었음에도 불구하고, 적절한 데이터 표현과 평균화 방식을 선택하지 않으면 발견되지 않았을 것입니다.
• AI 보조 수학의 역할:
  • AI 는 복잡한 고차원 데이터에서 인간이 눈으로 확인할 수 없는 미세한 구조를 포착하는 '확대경' 역할을 합니다.
  • 하지만 발견된 패턴의 의미 해석, 수학적 정립, 그리고 새로운 추측의 형성은 여전히 인간의 역할이 필수적입니다.
• 미래 전망:
  • 이 연구는 리만 가설이나 BSD 추측과 같은 난제 해결에 AI 가 어떻게 기여할 수 있는지에 대한 구체적인 사례를 제공합니다.
  • "AI 가 주도하는 인간의 직관"과 "인간이 주도하는 AI 탐색"의 조화가 향후 수학 발견의 핵심 전략임을 시사합니다.

결론적으로, 이 논문은 기계학습이 단순히 기존 지식을 검증하는 도구를 넘어, 수론이라는 고전적인 분야에서 완전히 새로운 현상 (무르무레이션) 을 발견하게 한 획기적인 사례를 제시하며, AI 와 수학의 협력적 연구 방법론의 중요성을 강조합니다.