🤖 machine learning

Reconciling Causality and Non-Equilibrium Thermodynamics with Hamiltonian Causal Models

이 논문은 개입 제어형 해밀토니언 메커니즘을 통해 인과적 효과를 정의하고 엔트로피 생성을 활용하여 비정상 물리계에서의 비가역성과 인과적 영향력을 정량화함으로써, 통계적 인과 모델링과 비평형 열역학을 화해시키는 궤적 수준의 프레임워크인 해밀토니언 인과 모델(Hamiltonian Causal Models, HCMs)을 소개한다.

원저자: Dario Rancati, Max Welling, Francesco Locatello

게시일 2026-06-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dario Rancati, Max Welling, Francesco Locatello

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

당신이 물속에서 퍼지는 잉크 방울이나 흔들리는 진자 같은 물리적 시스템의 영화를 보고 있다고 상상해 보십시오. 인과관계(causality)를 연구하는 표준적인 방식들은 대개 '전'과 '후'의 스냅샷을 살펴봅니다. 그들은 "시작점을 바꾸면 끝점이 변하는가?"라고 묻습니다.

하지만 이 논문의 저자들은 물리적 시스템에 있어서 이러한 "스냅샷" 접근법은 가장 중요한 부분인 여정 그 자체를 놓치고 있다고 주장합니다.

다음은 일상적인 비유를 사용하여 이들의 새로운 아이디어인 **해밀토니안 인과 모델(Hamiltonian Causal Models, HCMs)**을 쉽게 설명한 것입니다.

1. 문제점: "스냅샷" vs "영화"

표준적인 인과 모델에서 우리는 흔히 원인과 결과를 스위치처럼 취급합니다. 스위치를 올리면 무언가가 일어나는 식이죠. 하지만 실제 물리 세계에서 원인은 종종 시간에 걸쳐 발생합니다.

비유: 당신이 그네를 밀고 있다고 상상해 보십시오.
- 표준적 관점: 당신은 아이가 시작할 때의 위치와 끝날 때의 위치를 봅니다. 만약 당신이 다르게 밀었음에도 아이가 결국 같은 지점에 도달했다면, 표준 모델은 "차이가 없다!"라고 말할 것입니다.
- 실제 상황: 당신이 어떻게 밀었는지가 중요했습니다. 예를 들어, 한 번은 길고 부드럽게 밀었고, 다른 한 번은 짧고 거칠게 밀었을 수 있습니다. 결과적으로 같은 지점에 도착했을지라도, 그들이 거쳐온 **경로(path)**는 완전히 달랐을 것입니다. 아이는 서로 다른 힘을 느꼈을 것이고, 공기 저항(마찰) 또한 여정 동안 다르게 작용했을 것입니다.

저자들은 우리가 시작과 끝 프레임만이 아니라, 전체 영화를 관찰하는 모델이 필요하다고 말합니다.

2. 해결책: "에너지 설계도" (해밀토니안 모델)

저자들은 해밀토니안 인과 모델이라는 프레임워크를 도입합니다. "해밀토니안"을 시스템의 에너지 설계도라고 생각하십시오. 이는 에너지가 시스템의 각 부분에 어떻게 저장되고, 부분 간에 어떻게 이동하는지를 규정하는 수학적 규칙서입니다.

비유: 복잡한 루브 골드버그 장치(Rube Goldberg machine)를 상상해 보십시오.
- **설계도 (해밀토니안)**는 도미노, 레버, 공들이 어떻게 연결되어 있고 각 부분에 에너지가 얼마나 있는지 정확하게 설명합니다.
- 운동 법칙: 중력과 같은 물리 법칙은 결코 변하지 않는 "불변의 규칙"입니다.
- 개입 (Intervention): 개입이란 인간의 손이 들어와 설계도를 수정하는 것과 같습니다. 스프링을 조이거나 경사로의 각도를 바꿀 수 있습니다. 당신은 중력의 법칙을 바꾸는 것이 아니라, 중력이 작용하는 **설정(메커니즘)**을 바꾸는 것입니다.

이 모델에서 "원인"은 설계도를 변경하는 것이 시스템이 시간을 통과하는 전체 경로를 어떻게 변화시키는지에 의해 정의됩니다.

3. 핵심 요소: "열역학적 지문"

이 논문에서 가장 흥식한 부분은 이러한 원인들을 탐지하는 방법입니다. 그들은 물리 개념인 **엔트로피 생성(Entropy Production)**을 사용합니다.

비유: 엔트로피를 "무질서함" 또는 "가역 불가능성"의 척도로 생각하십시오.
- 유리잔이 산산조각 나는 영화를 본다면, 그것은 실제처럼 보입니다. 만약 영상을 거꾸로 재생한다면(유리 파편들이 위로 날아올라 다시 합쳐지는 모습), 그것은 불가능해 보일 것입니다. "이것은 거꾸로 일어날 수 없다"라고 느끼는 그 감정이 바로 엔트로피입니다.
- 지문: 당신이 시스템에 개입하면(그네를 미는 것처럼), 특정한 "열역학적 발자국"을 남깁니다. 시스템은 당신이 어떻게 밀었는지에 따라 고유한 방식으로 열과 마찰을 생성합니다.

저자들은 엔트로피 생성이 인과관계를 감지하는 초정밀 탐지기 역할을 한다는 것을 발견했습니다.

특별한 이유: 표준적인 측정법은 "그네가 같은 위치에서 끝났으니, 밀었던 방식도 같다"라고 말할 수 있습니다. 하지만 엔트로피 생성은 이렇게 말할 것입니다. "아니요! 첫 번째 밀기는 많은 열과 소음(높은 엔트로피)을 발생시켰지만, 두 번째 밀기는 부드러웠습니다(낮은 엔트로피). 그러므로 원인이 달랐습니다!"

이는 최종 결과가 아닌 경로의 가역 불가능성을 살펴봄으로써, 표준적인 방법으로는 보이지 않는 인과적 효과를 찾아낼 수 있기 때문에 특별합니다.

4. "맥스웰의 악마" 교훈

논문은 또한 입자를 분류하여 엔트로피를 줄이는 "악마"가 등장하는 유명한 사고 실험을 언급합니다. 저자들은 이를 통해 개입은 공짜가 아니다라는 점을 설명합니다.

비유: 만약 당신이 시스템(예: 온도 조절기)을 제어하고 싶다면, 정보를 수집하고 에너지를 사용해야 합니다. 논문은 인과관계를 진정으로 이해하려면 개입 자체의 "비용"을 고려해야 한다고 주장합니다. "악마"(제어자)는 시스템의 일부이며, 그들의 행동은 인과적 연결이 존재함을 증명하는 열역학적 흔적을 남깁니다.

5. 실제 증명한 내용 (결과)

저자들은 단순히 이론만 제시한 것이 아니라, 컴퓨터 시뮬레이션을 통해 이를 테스트했습니다:

숨겨진 차이 탐지: 그들은 서로 다른 두 가지 제어 방식이 정확히 동일한 최종 결과로 이어지는 시나리오를 만들었습니다. 표준 도구들은 "인과적 차이가 없다"라고 말했습니다. 그러나 그들의 새로운 도구(엔트로피 생성)는 "이것들은 완전히 다른 원인이다!"라고 정확히 말했습니다.
연결 구조 매핑: A가 B에 영향을 주고, 다시 B가 A에 영향을 주는 복잡한 루프 시스템에서, 그들은 특정 부분을 건드렸을 때 해당 부분이 생성하는 "엔트로피"를 측정함으로써 어떤 부분이 서로 연결되어 있는지 알아낼 수 있음을 보여주었습니다. 이는 마치 북적이는 방 안에서 사람들이 내는 소음만 듣고도 누가 누구와 대화하고 있는지 알아내는 것과 같습니다.

요약

이 논문은 다음과 같은 방식으로 물리적 시스템의 원인과 결과에 대한 새로운 이해를 제안합니다:

시작과 끝만이 아닌 **전체 여정(궤적)**을 살펴봅니다.
에너지 설계도를 사용하여 변하지 않는 물리 법칙과 우리가 제어할 수 있는 것을 구분합니다.
엔트로피 생성(생성된 열과 무질서함)을 사용하여, 최종 결과가 같더라도 실제로 원인이 발생했음을 증명하는 "지문"으로 활용합니다.

이 논문은 통계적인 "데이터"의 세계와 물리적인 "열역학"의 세계 사이의 간극을 메우며, 이전에는 보이지 않았던 인과적 연결을 볼 수 있는 도구를 제공합니다.

기술 요약: 해밀토니안 인과 모델을 통한 인과성 및 비평형 열역학의 화해

문제 정의

표준 통계적 인과 모델(예: 구조적 인과 모델, 잠재 결과 모델)은 물리적 시간 현상에 적용될 때 상당한 어려움에 직면한다. 이러한 프레임워크는 다음과 같은 특성을 본질적으로 수용하는 데 어려움을 겪는다:

경로 수준의 개입(Trajectory-level interventions): 정적인 할당이 아니라 시스템의 경로를 따라 시간 의존적인 제어로 작용하는 개입.
비정상성(Non-stationarity): 시간이 지남에 따라 변화하는 유도된 법칙.
경로 의존성(Path-dependence): 시스템의 종단 상태뿐만 아니라 특정 이력에 의존하는 인과 효과.
피드백 및 순환(Feedback and Cycles): 시간을 통해 전개되는 순환적 의존성.

나아가, 통계적 인과성과 물리적 인과성 사이에는 개념적 간극이 존재한다. 물리학에서 인과적 방향은 열역학적 시간의 화살(가역 불가능성)과 결합되어 있는 반면, 표준 인과 모델은 시간 역전 대칭적인 법칙을 인과적 비대칭성과 호환 가능한 것으로 취급하는 경우가 많다. 기존 프레임워크는 이러한 물리적 실체를 다루기 위해 임시방편적인 구성을 필요로 하며, 불변의 운동 방정식과 개입 가능한 메커니즘을 구분하지 못한다.

방법론: 해밀토니안 인과 모델 (Hamiltonian Causal Models, HCMs)

저자들은 관측 변수가 국소적이고 관찰되지 않는 열적 환경(bath)과 상호작용하는 궤적 수준의 프레임워크인 **해밀토니안 인과 모델(HCMs)**을 소개한다.

핵심 정의

시스템 구조: HCM은 $\Gamma = \Gamma_X \times \Gamma_E$ 인 심플렉틱 다양체(symplectic manifold) 상에 정의된다. 여기서 $X$ 는 관측된 변수를, $E$ 는 관찰되지 않은 배스(bath)를 나타낸다.
해밀토니안 분해: 시스템은 다음과 같이 분해되는 해밀토니안 $H(z, \lambda)$ $H (z, λ)$ 를 통해 진화한다:
- 고유 포텐셜 ( $H_{self}$ ).
- 인과적 부모와의 결합 ( $H_{mech}$ ).
- 국소 배스와의 결합 ( $H_{bath}$ ).
- 자유 환경 역학 ( $H_E$ ).
  이 분해는 고전적 구조적 인과 모델(SCM)에서의 인과적 마르코프 인수분해(Causal Markov factorization) 역할을 수행한다.
개입: 개입은 해밀토니안 함수(구체적으로는 메커니즘 $H_{mech}$ 와 $H_{bath}$ )를 수정하지만, 근본적인 운동 방정식(심플렉틱 구조)은 변경하지 않는 시간 의존적 정책 $\lambda(t)$ 로 모델링된다. 이는 개입 가능한 메커니즘과 불변의 물리 법칙을 분리한다.
인과 효과: 서로 다른 개입 정책 하에서의 변수들의 경로 법칙(path laws) 간의 차이로 정의된다. 단일 시점이나 누적 합에 초점을 맞추는 표준 평균 처치 효과(ATE)와 달리, HCM은 전체 궤적 공간에 대한 인과 효과를 정의한다.

열역학적 통합

이 프레임 much는 비평형 열역학을 활용하여 인과적 영향을 정량화한다:

일(Work): 개입에 의해 수행된 에너지. 저자들은 해밀토니안이 알려져 있다면, 일률(work rates)이 어떤 변수가 국소적 메커니즘(그래프적 부모)에 참여하는지를 식별할 수 있음을 보여준다.
엔트로피 생성 ( $\Sigma$ ): 순방향 경로 법칙과 시간 역전된 대응 경로 법칙을 비교함으로써 과정의 가역 불가능성을 측정하는 경로 공간량이다.
- 투영된 국소 엔트로피 생성(Projected Local Entropy Production): 단일 노드의 주변부 궤적으로부터 추정 가능한 양으로, 인과 효과의 증거 역할을 한다.
- 국소 엔트로피 생성율(Local Entropy Production Rate): 제어된 랑주뱅 확산(Langevin diffusion)을 위한 정교한 메트릭으로, 미세한 "우측-국소적(right-local)" 개입을 가했을 때 직접적인 부모와 간접적인 조상을 구분할 수 있다.

주요 기여

공식 프레임워크: 제어된 해밀토니안 시스템과 인과 모델링을 통합하여, 시간 의존적이고 적응적이며 순환적인 개입을 자연스럽게 기술할 수 있는 HCM을 도입하였다.
열역학적 인과 관측량:
- 해밀토니안이 알려진 경우 **일률(work rates)**이 그래프적 부모를 식별함을 입증하였다.
- 투영된 엔트로피 생성이 종단 또는 누적 ATE로는 보이지 않는 경로 수준의 불일치를 탐지하는 인과 효과의 증거(witness)로 작용함을 증명하였다.
- 순환적이고 비정상적인 랑주뱅 시스템에서 미세한 개입을 통해 직접적인 부모 구조를 식별하는 국소 엔트로피 생성 반응 기준(정리 3.9)을 도출하였다.
이론적 통합: HCM이 (배스의 크기가 크고 관성 매개변수가 작은 극한에서) 정적 특수 사례로서 고전적 SCM 및 순환적 일반화를 회복함을 보여주는 동시에, 비평형 영역으로 자연스럽게 확장됨을 보여준다.

실험 결과

저자들은 두 가지 실험 세트를 통해 이론을 검증하였다.

경로 수준의 인과 탐지 검증 (명제 3.7):
- 설정 A (동일한 종단점): 서로 다른 경로를 통해 동일한 최종 상태에 도달하도록 구동되는 선형 진동자 체인. 표준 종단 ATE는 설계상 0이다.
- 설정 B (역전된 시간): 숨겨진 매개체가 역순으로 펄스를 받는 시스템. 시간 병진 대칭성으로 인해 누적 ATE는 0이다.
- 결과: 두 경우 모두 표준 추정량은 인과적 차이를 감지하는 데 실패했다. 그러나 투영된 엔트로피 생성은 높은 통계적 유의성을 가지고 프로토콜을 구별해 냈으며, 이를 통해 표준 ATE가 포착하지 못하는 경로 수준의 효과를 성공적으로 탐지함을 확인하였다.
순환 시스템에서의 부모 발견 (정리 3.9):
- 설정: 세 가지 유형의 포텐셜(Bilinear, Sigmoid, Cubic)로 구현된 무작위 순환 Erdős–Rény–i 그래프 ( $n=15$ ).
- 방법: 미세한 개입에 대한 국소 엔트로피 생성 반응 $R_{i|j}$ 를 추정함.
- 결과: 이 방법은 순환적이고 비정상적인 까다로운 설정에서도 직접적인 부모 구조를 거의 완벽한 재현율(recall)과 강력한 정밀도(precision)로 회복하였으며, 이는 순환 구조에 어려움을 겪는 표준 접근 방식들을 능가하는 성능이다.

의의 및 주장

본 논문은 물리적 시스템에서 인과성이 어떻게 발생하는지와 자연스럽게 일치하는, 통계적 인과성을 위한 "새로운 언어"를 제공한다고 주장한다.

화해: 통계적 인과 모델과 비평형 열역학 사이의 간극을 메우며, 열역학적 시간의 화살을 인과적 비대칭성의 근원으로 취급한다.
인과 발견의 참신함: 표준 SCM이 임시방편적인 수정을 요구하는 경우가 많은, 개입이 동적이고 피드백 루프가 존재하는 시스템을 기술할 수 있는 도구를 제공한다.
물리적 해석 가능성: 인과 효과를 엔트로피 생성에 기반하게 함으로써, 가역 불가능성을 포착하고 데이터로 추정 가능한 물리적으로 의미 있는 인과 메트릭을 제공한다.

저자들은 향후 연구 방향에 대해 겸허한 태도를 유지하며, HCM이 SCM을 일반화하기는 하지만 비-그라디언트 드리프트(non-gradient drifts)를 가진 일반적인 시간적 SCM을 즉각적으로 설명하지는 못한다고 언급하였다. 이들은 해밀토니안 학습(Hamiltonian learning)에 기반한 인과 발견 알고리즘의 개발과 해당 프레임워크로의 확장을 중요한 다음 단계로 꼽았다.