당신이 신비로운 기계의 '유령 규칙(ghost rules)'을 밝혀내려는 탐정이라고 상상해 보십시오. 당신은 기계 내부의 톱니바퀴를 볼 수는 없지만, 기계를 밀었을 때 어떻게 움직이는지는 관찰할 수 있습니다. 물리학의 세계에서 많은 시스템(예를 들어 서서히 되돌아오는 고무줄이나, 기억을 가진 물질을 통해 열이 퍼져나가는 현상 등)은 단순히 '지금 이 순간' 일어나는 일에만 반응하지 않습니다. 그것들은 과거를 기억합니다. 이를 '사라지는 기억(fading memory)'이라고 합니다.

수학자들은 이 기억을 **커널(kernel)**이라는 특별한 재료를 사용하여 설명합니다. 커널은 과거의 모든 순간에 얼마만큼의 무게를 부여할지 알려주는 일종의 레시피 카드라고 생각하면 됩니다. 만약 당신이 그 레시피를 알고 있다면, 미래를 완벽하게 예측할 수 있습니다. 하지만 보통은 레시피 카드가 사라진 상태입니다! 과학자들은 시스템의 움직임(데이터)은 가지고 있지만, 정작 레시피는 모르는 상황입니다. 이것은 매우 까다로운 퍼즐인데, 왜냐하면 관찰이 흐릿하거나 불완전할 경우 여러 가지 서로 다른 레시피가 동일한 움직임을 만들어낼 수 있기 때문입니다.

옛 방식 vs 새로운 방식

오랫동안 과학자들은 각 문제에 특화된 복잡한 수학적 유도를 시도하거나, 레시피를 추측하고 그것이 맞기를 바라며 문제를 해결하려 노력했습니다. 이 논문의 저자들은 이렇게 말합니다. "다른 방법을 써보자." 그들은 일종의 탐정 역할을 하는 **신경망(neural network, 일종의 AI 두뇌)**을 구축했습니다. 이 AI는 단순히 추측하는 대신, 시스템이 움직이는 지저분하고 노이즈가 섞인 데이터로부터 직접 레시피를 학습합니다.

하지만 여기 함정이 있습니다. 만약 일반적인 AI 두뇌에게 그냥 추측하게 내버려 둔다면, 물리적으로 말이 안 되는 레시피를 만들어낼 수도 있습니다. 예를 들어, 사건이 오래될수록 기억이 더 강해진다거나, 과거의 영향력이 갑자기 음수(-)가 된다고 제안할 수도 있습니다. 실제 세상에서 기억은 보통 매끄럽게 사라지며 부호가 뒤집히지 않습니다.

두 가지 탐정 전략

AI가 터무니없는 추측을 하지 못하도록 막기 위해, 연구진은 물리 법칙을 따르도록 강제하는 두 가지 방법을 시도했습니다.

전략 1: "부드러운" 페널티 (Cheb-KAN)
강아지를 훈련시킨다고 상상해 보십시오. 당신은 "소파에 올라가지 마"라고 말하고, 만약 강아지가 올라가면 부드럽게 "안 돼"라고 말하며 벌을 줍니다(부드러운 페널티). 강아지는 말을 들을 수도 있지만, 정말 하고 싶다면 그냥 올라갈 수도 있습니다. 이것이 Cheb-KAN이 하는 일입니다. 이는 레시피를 배우려고 노력하되, 만약 레시피가 규칙을 어기면(예: 음수가 되거나 잘못된 방향으로 휘어지는 경우) 컴퓨터가 AI의 숙제에 작은 '벌점'을 부여합니다. AI는 이 벌점을 최소화하려고 노력하지만, 규칙을 어기는 것이 엄격히 금지되지는 않습니다.

** 전략 2: "단단한" 제약 (MC-KAN)**
이제 강아지 주변에 울타리를 친다고 상상해 보십시오. 강아지는 울타리 때문에 물리적으로 소파에 올라갈 수 없습니다. 이것이 MC-KAN(Monotone–Convex Kolmogorov–Arnold Network)입니다. 연구진은 단순히 AI에게 착하게 행동하라고 요구한 것이 아니라, AI의 두뇌를 특별한 수학적 블록(베른슈타인 다항식)으로 구성하여 AI가 규칙을 어기는 레시피를 생성하는 것을 불가능하게 만들었습니다. AI는 오직 양수이고, 항상 사라지며, 올바르게 휘어지는 레시피만을 생성하도록 그 구조 자체에 의해 강제됩니다. 이것은 권고가 아니라 기계의 법칙입니다.

큰 시험: AI가 레시피를 찾을 수 있을까?

연구팀은 단순한 단계부터 매우 복잡한 단계까지 세 가지 시나리오에서 두 전략을 테스트했습니다.

1. 단순한 기억 (1D Volterra Equation)
그들은 기억이 표준적인 지수 곡선(예: 식어가는 커피 한 잔)처럼 사라지는 단순한 시스템에서 시작했습니다. 그들은 다양한 수준의 "노이즈"(정적 또는 흐릿함)가 섞인 데이터를 AI에게 주었습니다.

• 결과: 두 전략 모두 정확한 레시피를 찾아냈습니다. 데이터에 노이즈가 아주 많았음에도 불구하고 둘 다 성공했습니다. 그러나 **단단한 제약(MC-KAN)**이 부드러운 페널티 버전보다 더 정밀했으며, 노이즈 정도에 따라 13%에서 54% 더 적은 오차로 레시피를 찾아냈습니다. 이는 마치 울타리에 갇힌 강아지는 단 한 번의 실수도 하지 않은 반면, 부드러운 "안 돼"를 들은 강아지는 몇 번의 작은 실수를 저지른 것과 같았습니다.

2. 신축성 있는 기억 (1D Viscoelastic Wave)
다음으로, 그들은 떨리고 있는 고무 막대를 관찰했습니다. 여기서의 기억은 단순한 곡선이 아니라, 유리질 폴리머에서 흔히 발견되는 더 복잡한 형태인 "신축 지수(stretched exponential)" 형태였습니다. 그들은 데이터를 매우 희소하게 만들었습니다. 즉, 가능한 1001개의 스냅샷 중 단 11개의 스냅샷만을 AI에게 제공했습니다.

• 결과: 놀랍게도, 두 방법 모두 이렇게 적은 데이터만으로도 레시피를 찾아낼 수 있었습니다. 하지만 다시 한번, **단단한 제약(MC-KAN)**이 더 일관성을 보였습니다. 이 방법은 부드러운 페널티 버전보다 약 40% 더 적은 오차로 레시피를 찾아냈습니다. 부드러운 페널티 버전은 가끔 흔들리는 모습을 보였지만, 단단한 제약 버전은 안정적이었던 것입니다.

3. 2D 혼돈 (Nonlocal Reaction-Diffusion)
마지막으로, 그들은 가장 어려운 과제인 2D 시스템을 다루었습니다. 이는 공간의 두 방향에 따라 기억이 달라지는 시스템(표면에 패턴이 형성되는 것과 같은 형태)입니다. 데이터는 희소했고(32x32 격자 위의 7개 시간 스냅샷), 노이즈가 많았습니다(표준 편차 최대 0.15).

• 결과: 여기서 차이가 극명하게 드러났습니다. 부드러운 페널티 전략은 환각 현상을 일으키기 시작했습니다. 이 방식은 이상한 물결 모양을 가진 레시피를 만들어냈고 제대로 사라지지도 않았습니다. 반면, **단단한 제약(MC-KAN)**은 매우 견고했습니다.
  • 가장 높은 노이즈 수준(σ = 0.15)에서, 단단한 제약 방식의 커널 오차는 **12.36%**였던 반면, 부드러운 페너티 방식은 **21.95%**였습니다. 단단한 제약 방식이 거의 두 배 가까이 더 정확했습니다.
  • 부드러운 페널티 방식은 노이즈가 높을 때 (올바른 지수 형태 대신 파워 로우처럼 보이는) "허용되지 않는" 형태를 만들어내기도 했습니다. 하지만 단단한 제약 방식은 결코 규칙을 어기지 않았습니다.

최종 결론

논문은 데이터가 깨끗하고 단순할 때는 두 방법 모두 잘 작동하지만, 데이터가 지저분하거나 희소하거나 고차원적일 때는 규칙을 AI의 구조 안에 직접 구축하는 것(Hard Constraints/단단한 제약)이 훨씬 더 강력하다고 결론짓습니다.

연구진은 가장 어려운 2D 문제에서 단단한 제약 방식이 부드러운 페널티 방식에 비해 오차를 약 44% 줄였다는 것을 발견했습니다. 또한 그들은 PySR이라는 도구를 사용하여 AI가 학습한 "블랙박스" 레시피를 명확하고 읽기 쉬운 수학 공식(예: $e^{-0.99\tau}$)으로 변환하는 데 성공했습니다. 이는 AI가 단순히 숫자만 맞춘 것이 아니라, 실제로 밑바닥에 깔린 물리 법칙을 학습했다는 것을 증명합니다.

이 논문이 사실이 아니라고 말하는 부분 (주의사항):

• 이 논문은 이 방식이 모든 유형의 기억에 작동한다고 주장하는 것이 아닙니다. 이 방식은 출렁거리거나(진동), 부호가 바뀌거나, 사라지지 않는 커널은 제외한다고 명시적으로 선을 그었습니다. 단단한 제약 방식은 양수이며 매끄럽게 사라지는 "사라지는 기억"을 위해 설계되었습니다.
• 이 논문은 이것이 모든 역문제(inverse problems)를 해결하는 마법의 탄환이라고 말하는 것도 아닙니다. 2D 문제의 경우, 전체 공식을 찾기 위해 레시피를 조각으로 나누어야 했으며, 두 방향 사이의 결합 관계를 한 번에 완벽하게 복구하지는 못했다는 점을 인정하고 있습니다.
• 결과는 실제 실험이 아닌 시뮬레이션(컴퓨터 생성 데이터)에 기반한 것입니다. 저자들은 이것이 다음 단계라고 제안하며, 현재의 증거는 그들이 생성한 수치들에 근거하고 있습니다.

요약하자면, 지저진 데이터로부터 사라지는 기억의 비밀 레시피를 찾고 싶다면, AI에게 예의 바르게 행동하라고 부탁하는 것(Soft Penalties/부드러운 페널티)보다 AI의 구조 안에 울타리를 쳐서 가두는 것(Hard Constraints/단단한 제약)이 훨씬 더 효과적입니다.