Revealing dynamics of non-autonomous complex systems from data

본 논문은 최적 기저 함수를 식별함으로써 지배적인 비자율 동역학 방정식을 추론하는 새로운 데이터 기반 접근법을 제시하여 생물학적 집합체부터 공학적 응용에 이르기까지 다양한 실제 시스템의 거동을 성공적으로 재구성하고 예측합니다.

핵심

복잡한 요리의 비밀 레시피, 예를 들어 스튜의 레시피를 알아내려 한다고 상상해 보세요. 하지만 최종 결과물인 수프의 맛만 맛볼 수 있습니다. 재료들(야채, 향신료, 고기)이 시간이 지남에 따라 변한다는 것은 알지만, 맛을 결정하는 숨겨진 힘은 아궁이의 열기와 추가된 물의 양이라고 의심합니다. 하지만 열기를 측정할 온도계도 없고, 물의 수위를 볼 수도 없습니다. 오직 매 분마다 수프의 맛만 있을 뿐입니다.

이것은 과학자들이 복잡계(complex systems)를 이해하려 할 때 직면하는 도전과제입니다. 물고기가 무리를 지어 헤엄치는 방식부터 드론이 비행하는 방식, 혹은 심장이 뛰는 방식에 이르기까지 다양합니다. 그들은 시스템의 행동에 대한 데이터는 가지고 있지만, 변화를 이끄는 "구동 매개변수"(온도, 바람, 약물 투여량과 같은 숨겨진 조절 장치들)는 종종 부족합니다.

이 논문은 이 미스터리를 해결하기 위한 교묘한 새로운 도구를 소개합니다. 간단한 개념으로 나누어 설명하면 다음과 같습니다:

1. 문제: "누락된 조절 장치"

이러한 숨겨진 레시피를 찾는 기존 도구들은 대부분 "조절 장치"(외부 요인)가 어떻게 돌아가는지 정확히 알고 있다고 가정합니다.

• 옛 방식: 식물을 연구한다면, 식물 그리고 일조량 데이터를 보며 방정식을 추측해 볼 수 있습니다. 하지만 일조량 데이터가 없다면 어떨까요? 아니면 일조량 데이터가 엉망이라 측정이 어렵다면요? 기존 도구들은 그 누락된 조절 장치를 기다리는 데 갇혀 있기 때문에 실패합니다.
• 한계: 설령 조절 장치를 단순히 "시간"이라고 추측해 보려 해도, 관계가 그렇게 단순하지 않기 때문에 종종 잘못된 레시피로 이어집니다.

2. 해결책: "마법 대리 변수"

저자들은 수학적 트릭을 발견했습니다. 숨겨진 조절 장치(예: 정확한 온도)의 실제 값을 알 필요가 없다는 것을 증명했습니다. 오직 그 방향(오르는지 내리는지)만 알면 됩니다.

• 유사성: 도로도 속도계도 보이지 않는 상태에서 언덕을 올라가는 자동차를 운전하려 한다고 상상해 보세요. 가스(오르는 것)를 밟는지 브레이크(내리는 것)를 밟는지만 알 수 있습니다.
• 저자들은 "마법 대리 변수(Magic Proxy)(이를 변수 $\nu$라고 부르겠습니다)를 만들었습니다. 이는 단순히 오르고 내리는 가상의 숫자로, 실제 숨겨진 조절 장치의 방향을 모방합니다.
• 큰 발견: 그들은 수학적으로 증명했습니다. 이 "마법 대리 변수"를 사용하여 레시피를 만들면, 숨겨진 조절 장치의 실제 완벽한 데이터를 사용했을 때와 정확히 같은 결과를 얻는다는 것입니다. 오븐의 정확한 온도를 알지 못하더라도 단순히 "오르고 내린다"고만 카운트하는 타이머를 사용하여 완벽한 케이크를 구울 수 있다는 것을 깨달은 것과 같습니다.

3. 과정: "적정 지점" 찾기

이 "마법 대리 변수"를 설정하는 방법은 무한히 많습니다 (0 또는 100 에서 시작하고 1 또는 0.001 씩 단계적으로 올릴 수 있음). 따라서 컴퓨터는 최고의 버전을 찾아야 합니다.

• 팀은 수천 가지의 서로 다른 시작점과 단계 크기를 테스트하기 위해 "검색 그리드"(거대한 스프레드시트와 유사) 를 구축했습니다.
• 그들은 $\epsilon$AIC라고 불리는 특별한 점수 시스템을 사용했는데, 이는 심판과 같은 역할을 합니다. 이 심판은 단순히 레시피가 데이터에 얼마나 잘 맞는지 보는 것뿐만 아니라, 수학이 "깨끗"하고 계산 오류가 없는지도 확인합니다.
• 승자는 가장 정확하고 안정적이며 단순한 방정식을 제공하는 "마법 대리 변수"의 버전입니다.

4. 테스트 대상

팀은 이 "마법 대리 변수" 방법이 작동함을 증명하기 위해 네 가지 매우 다른 현실 시나리오에서 이를 테스트했습니다:

• 잎 세포 (에너지 위기): 산소가 고갈되는 식물 세포의 데이터를 살펴보았습니다. 숨겨진 조절 장치는 떨어지는 산소 수준이었습니다. 그들의 방법은 산소 수준을 알지 못함에도 불구하고 세포의 에너지가 갑자기 붕괴되는 순간( "티핑 포인트") 을 정확히 예측했습니다.
• 드론 (자율 비행): 장애물을 통과하는 드론을 분석했습니다. 숨겨진 조절 장치는 드론이 "본" 변화하는 환경이었습니다. 이 방법은 드론의 비행 경로만 관찰하여 드론의 제어 알고리즘을 파악했고, 효과적으로 드론의 두뇌를 역공학했습니다.
• 병아리 심장 (부정맥): 불규칙한 박동을 유발하는 약물로 치료된 심장 세포를 연구했습니다. 숨겨진 조절 장치는 조직을 통해 퍼지는 약물이었습니다. 이 방법은 심장이 규칙적인 박동에서 혼란스러운 박동으로 전환되는 시점을 정확히 예측했습니다.
• 물고기 군집 (해양 생태계): 만의 14 종 물고기를 살펴보았습니다. 숨겨진 조절 장치는 계절에 따라 변하는 수온이었습니다. 이 방법은 물고기의 개체수 급증과 급감을 성공적으로 예측하여 그들의 생존을 이끄는 숨겨진 규칙을 밝혀냈습니다.

5. 이것이 중요한 이유

이 방법을 복잡계를 위한 보편적 번역기로 생각해 보세요.

• 이전: 과학자들은 시스템을 이해하기 위해 모든 외부 요인(온도, 바람, 약물 용량) 의 완벽한 지도가 필요했습니다. 지도가 누락되면 그들은 막혔습니다.
• 이제: 그들은 변화의 방향(요인이 좋아지고 있는지 나빠지고 있는지) 과 시스템 자체의 행동만 알면 됩니다.

이 논문은 이 접근법이 복잡계를 지배하는 "자연의 법칙"을 드러낼 수 있다고 주장합니다. 심지어 그 시스템들이 엉망이고, 변하며, 직접 측정할 수 없는 요인에 의해 구동될지라도요. 이는 "블랙박스"를 투명한 창으로 바꾸어, 우리 세계를 구동하는 숨겨진 방정들을 드러냅니다.

기술 요약

기술적 요약: 데이터로부터 비자율적 복잡계의 역학 규명

문제 제기
관측 데이터로부터 지배 방정식을 발견하는 것은 과학과 공학 전반에 걸친 복잡계를 이해하는 데 있어 근본적인 과제입니다. 최근의 진보로 자율적 시스템 (역학이 상태 변수에만 의존하는 시스템) 에 대한 방정식 발견이 가능해졌으나, 비자율적 시스템을 다루는 데에는 여전히 큰 격차가 존재합니다. 실제 세계의 시스템은 주로 외부의 시간에 따라 변하는 매개변수 (강제 매개변수) 에 의해 구동되는 비자율적 시스템이며, 이러한 매개변수는 종종 관측 불가능하거나 접근할 수 없습니다.

비자율적 시스템을 위한 기존 방법론은 두 가지 주요 한계에 직면해 있습니다:

1. 강제 매개변수의 관측 불가능성: 표준 접근법은 기저 함수를 구성하기 위해 외부 강제 매개변수의 시계열 데이터를 필요로 합니다. 많은 실제 시나리오 (예: 생태계 또는 생물학적 시스템) 에서 이러한 매개변수는 직접 측정할 수 없습니다.
2. 휴리스틱적이고 비용이 많이 드는 라이브러리 검색: 현재 방법들은 기저 함수 (상태 변수, 강제 매개변수, 시간을 포함) 의 사전 정의된 라이브러리 내에서 최적의 선형 결합을 찾아 역학을 추론하려 합니다. 이 접근법은 라이브러리를 정의하는 데 전문가 지식에 크게 의존하며, 광범위한 검색 공간으로 인해 높은 계산 비용을 초래하고, 라이브러리가 충분한 완전성을 갖추지 못할 경우 실제 지배 방정식을 놓칠 위험이 있습니다. 또한, 강제 매개변수를 일반적인 시간 변수 ($t$) 로 단순히 대체하는 것은 체계적으로 검증된 바 없으며 편향된 추론으로 이어질 수 있습니다.

방법론
저자들은 고정된 라이브러리 내에서 계수를 선택하는 데 초점을 맞추는 대신, 기저 함수 자체를 적응적으로 구성하는 새로운 데이터 기반 프레임워크를 제안합니다. 이 방법의 핵심은 이론적 등가성 정리와 수치 오차에 대한 최적화 전략에 기반합니다.

1. 기저 함수에 대한 등가성 정리:
   저자들은 주어진 모델 공간 내에서 외부 강제 매개변수 $\Phi$에 의해 구동되는 동역학 방정식이 단일 변수 $\nu$에 의해 구동되는 기저 함수 집합으로 동등하게 표현될 수 있음을 증명합니다.

   • 강제 매개변수가 $\Phi_{i+1} = \Phi_i + s_i \Delta\Phi$로 진화한다고 가정합니다. 여기서 $s_i \in \{+1, -1\}$는 변화 방향을 나타냅니다.
   • 이 정리는 임의의 초기값 $\nu_1$과 단계 크기 $\Delta\nu$를 가지며 $\nu_{i+1} = \nu_i + s_i \Delta\nu$로 진화하는 변수 $\nu$가 $\Phi$와 정확히 동일한 모델 공간을 spanning 한다는 것을 명시합니다.
   • 결과적으로, 강제 매개변수의 경향 (부호 시퀀스) 을 나타내는 시퀀스 $\{s_i\}$가 알려져 있거나 가정된다면, $\Phi$를 관측하지 않고도 $\nu$를 사용하여 지배 방정식을 추론할 수 있습니다.

2. 최적 구동 변수 식별:
   정리는 임의의 $\nu_1$과 $\Delta\nu$에 대해 이론적 등가성을 보장하지만, 계수를 풀기 위해 의사역 (pseudo-inverse) 연산을 사용하는 실제 구현에서는 $\nu$의 선택에 따라 달라지는 수치 오차를 도입합니다.

   • 이 프레임워크는 $(\nu_1, \Delta\nu)$ 후보 쌍에 대해 **그리드 검색 (grid search)**을 수행합니다.
   • 각 쌍에 대해 저자들은 계수 행렬을 풀고 **수치 오차 보정 아카이케 정보 기준 ($\epsilon$AIC)**을 사용하여 모델을 평가합니다.
   • $\epsilon$AIC 지표는 의사역 계산에서 발생하는 정규화된 수치 오차 ($\epsilon$) 를 명시적으로 포함하여 피팅 정확도, 모델 복잡도, 수치적 안정성 사이의 균형을 맞춥니다.
   • $\epsilon$AIC 를 최소화하는 $(\nu_1, \Delta\nu)$ 쌍이 최적 구동 변수로 선택되어 가장 신뢰할 수 있는 기저 함수 집합을 생성합니다.

3. 추론 과정:

   • 상태 변수와 최적의 $\nu$를 사용하여 특징 행렬 $\Theta_\nu$를 구성합니다.
   • 지배 방정식을 식별하기 위해 선형 시스템 $\dot{X} = \Theta_\nu A_\nu$를 풀고 (LASSO 또는 릿지 회귀와 같은 희소 회귀 사용) 수행합니다.
   • 이 과정은 구동력의 정성적 경향 (부호 시퀀스) 이 제공된다면 실제 강제 매개변수가 알려지지 않더라도 역학을 재구성할 수 있게 합니다.

주요 결과
이 방법은 합성 및 경험적 시스템 모두에서 검증되었습니다:

• 합성 시스템:

  • 뿔 분기 (Cusp Bifurcation): 이 방법은 두 개의 분기 매개변수에 의해 구동되는 시스템의 지배 방정식과 계수를 성공적으로 복원했으며, 기저 함수 라이브러리 크기가 증가함에 따라 강제 매개변수나 시간 변수를 사용하는 방법보다 우수한 성능을 보였습니다.
  • 결합된 쿠라모토 진동자: 단일 매개변수 (결합 강도) 에 의해 구동되는 진동자 네트워크의 결합 방정식을 정확하게 추론하여 다양한 네트워크 크기에 걸쳐 견고성을 입증했습니다.
  • 라이브러리 결핍에 대한 견고성: 중요한 기능적 항이 의도적으로 기저 라이브러리에서 제거되어 (표준 희소 회귀로는 "실제" 방정식을 복원할 수 없게 함) 중요한 경우에도, 제안된 방법은 여전히 시스템의 분기 행동과 분기 전 궤적을 정확하게 포착하는 대리 모델을 생성했습니다.

• 경험적 시스템 (실제 세계 응용):

  • 세포 에너지 (엽세포): 저자들은 저산소증 하에서 ATP 농도 붕괴의 역학을 추론했습니다. 추론된 방정식은 **접합 분기 (fold bifurcation)**를 드러내어 갑작스러운 에너지 붕괴에 대한 기작적 설명을 제공했습니다.
  • UAV 자율 비행: 장애물을 회피하는 드론의 궤적 데이터로부터 이 방법은 근본적인 제어 역학을 추출했습니다. 제어 알고리즘에 대한 사전 지식 없이도 미래 비행 경로를 정확하게 예측하고 추력 변화 패턴 (감속 단계를 포함) 을 밝혀냈습니다.
  • 병아리 심장 응집체: 약물 치료 (E-4031) 하에서 박동 간격을 분석한 결과, 이 방법은 **주기 배가 분기 (period-doubling bifurcations)**를 식별하여 부정맥의 발병을 설명했습니다.
  • 해양 어류 군집: 마이즈루 만의 개체수 풍부도 데이터를 사용하여 이 방법은 수온에 의해 구동되는 종별 역학을 추론했습니다. 추론된 방정식은 계절적 개체수 변동을 정확하게 예측하고 시스템의 동적 안정성 패턴을 포착하여 생태학 이론과 일치했습니다.

의의 및 주장
이 논문은 비자율적 복잡계의 근본적인 역학을 규명하는 새로운 패러다임을 제공한다고 주장합니다. 그 주요한 의의는 다음과 같습니다:

1. 관측 불가능성 극복: 실제 세계 응용에서 일반적인 병목 현상인 외부 강제 매개변수의 직접 관측 없이 지배 방정식을 추론할 수 있게 합니다.
2. 적응적 기저 구성: 휴리스틱하고 전문가가 정의한 라이브러리에 의존하는 대신, 이 방법은 모델 공간 내에서 최적의 기저 함수 집합을 적응적으로 식별하여 계산 비용을 줄이고 라이브러리 불완전성에 대한 견고성을 향상시킵니다.
3. 수치적 안정성: $\epsilon$AIC 지표를 통해 수치 오차를 명시적으로 최적화함으로써, 추론된 방정식이 수학적으로 일관될 뿐만 아니라 수치적으로도 신뢰할 수 있음을 보장합니다.
4. 기작적 통찰: 이 방법은 세포 생물학부터 자율 로봇 공학 및 생태학에 이르는 다양한 시스템의 지배 법칙을 이해할 수 있는 경로를 제공하며, 원시 데이터로부터 분기 및 제어 전략과 같은 복잡한 행동을 성공적으로 추출합니다.

저자들은 이 방법이 강제 매개변수의 경향 (부호 시퀀스 $s_i$) 에 대한 정성적 이해를 필요로 하지만, 기존 방법에서 요구하는 완전한 시계열 데이터에 비해 최소한의 사전 규명 사항임을 강조합니다. 이 접근법은 전통적인 모델링이 불가능한 실제 세계 시스템의 "숨겨진" 역학을 밝혀내는 다재다능한 도구로 제시됩니다.