🌀 nonlinear sciences

Quantifying the complexity of trajectory ensembles with clustering-weighted multivariate multiscale sample entropy

본 논문은 다양한 물리적, 환경적, 생체 의학적 시스템에 걸친 전통적인 평균화 방식의 한계를 극복하기 위해, 개별 역학적 복잡성과 집단적 다양성을 구분함으로써 궤적 앙상블의 복잡성을 정량화하는 새로운 지표인 클러스터링 가중 다변량 다중 척도 샘플 엔트로피(CWMMSE)를 소개한다.

원저자: Chenxiao Tian, J/"urgen Hackl

게시일 2026-07-17

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Chenxiao Tian, J/"urgen Hackl

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

혼돈의 교향곡: 왜 하나의 목소리가 전체를 대변할 수 없는가

날씨를 이해하려고 노력하는 모습을 상상해 보십시오. 당신은 뒷마당에 있는 단 하나의 온도계만 보고 "오늘 참 덥네"라고 말할 수도 있습니다. 하지만 그것은 폭풍이 몰아치고 있는지, 바람이 울부짖고 있는지, 혹은 지역 전체가 혼돈스러운 난류 상태에 있는지 알려주지 않습니다. 우주의 추적 위성부터 병원의 심장 박동 모니터링에 이르기까지, 과학의 세계에서 연구자들은 종종 '앙상블(ensembles)'을 다룹니다. 이것은 움직이는 것들의 큰 집단을 일컫는 멋진 표현으로, 함대, 새 떼, 또는 환자 무리와 같은 것을 의미합니다. 오랫동안 과학자들은 단 한 가지, 즉 '평균'만을 측정하여 이러한 집단을 이해하려고 노력해 왔습니다. 그들은 모든 구성원의 '복잡성'(움직임이 얼마나 예측 불가능하거나 무질서한지)을 측정하여 모두 더한 뒤 구성원의 수로 나누었습니다. 이는 마치 모든 가수의 평균 성량만으로 합창단을 판단하는 것과 같습니다.

하지만 평균에는 문제가 있습니다. 평균은 진실을 숨깁니다. 서로 다른 두 합창단을 상상해 보십시오. 첫 번째 합창단에서는 모든 가수가 매우 복잡하고 어려운 재즈 솔로를 부르지만, 모두가 정확히 똑같은 솔로를 부릅니다. 두 번째 합창단에서는 모든 가수가 단순하고 지루한 곡을 흥얼거리지만, 모두가 서로 다른 곡을 흥얼거립니다. 만약 당신이 단순히 평균을 낸다면, 두 합창단은 똑같아 보일 것입니다. 하지만 그들은 완전히 다릅니다! 첫 번째 합창단은 중복적입니다(모두가 같기 때문에 지루합니다). 반면 두 번째 합창단은 다양합니다(모두가 다르기 때문에 흥미롭습니다). 시스템을 진정으로 이해하려면 개별 부분들이 얼마나 무질서한지뿐만 아니라, 전체 집단이 얼마나 다양한지도 알아야 합니다. 이 논문은 개별적인 사람의 복잡성이 아니라, 전체 군중의 복잡성을 어떻게 측정할 것인가라는 문제를 다룹니다.

새로운 도구: 군중을 위한 "가중치" 점수

이 논문의 저자인 프린스턴 대학교의 첸시아오 티안(Chenxiao Tian)과 위르겐 학(Jürgen Hackl)은 **클러스터링 가중 다변량 다중 스케일 샘플 엔트로피(Clustering-Weighted Multivariate Multiscale Sample Entropy, CWMMSE)**라는 새로운 수학적 도구를 발명했습니다. 이름이 매우 길으니, 간단한 비유로 풀어보겠습니다.

번화한 도시의 거리를 생각해 보십시오. 수천 명의 사람들이 돌아다니고 있습니다.

첫 번째 요소 (개별 복잡성): 먼저, 한 사람을 봅니다. 그 사람이 직선으로 걷고 있습니까, 아니면 장애물을 피하며 방향을 끊임없이 바꾸며 격렬하게 지그재그로 움직이고 있습니까? 만약 지그재그로 움직인다면, 그 사람은 높은 '개별 복잡성'을 가진 것입니다.
두 번째 요소 (앙상블 다양성): 다음으로, 군중 전체를 봅니다. 그들이 모두 똑같은 지그재그 패턴으로 걷고 있습니까(마치 행진하는 밴드처럼)? 아니면 각자 완전히 다른 행동을 하고 있습니까? 만약 모두가 똑같은 행동을 한다면, 그 군중은 '중복적'입니다. 만약 모두가 독특한 행동을 한다면, 그 군중은 '다양'합니다.

도시를 측정하는 기존 방식은 모든 사람의 지그재그 움직임을 단순히 평균 내는 것이었습니다. 저자들은 이것이 틀렸다고 말합니다. 그들의 새로운 도구인 CWMMSE는 두 가지 일을 합니다. 우선, 비슷하게 걷는 사람들을 '클러스터'(패턴)로 그룹화한 다음, 군중이 개별적으로도 무질서하면서 동시에 집단적으로도 다양할 때만 점수를 부여하도록 계산합니다.

큰 발견: 평균은 거짓말을 할 수 있다

이 논문은 기존의 "평균" 방식이 종종 답을 완전히 거꾸로 낸다는 것을 증명합니다. 저자들은 해류부터 심장 박동에 이르기까지 11가지의 서로 다른 실제 시스템에 이 새로운 도구를 테스트했고, 놀라운 결과를 발견했습니다.

해양 테스트:
그들은 두 그룹의 해양 표류물(떠다니는 부표)을 조사했습니다. 한 그룹은 매우 빠르고 에너지가 넘치는 물의 강인 멕시코 만류(Gulf Stream)에 있었고, 다른 그룹은 잔잔하고 조용한 사르가소 해(Slyasso Sea)에 있었습니다.

기존 방식: 표류물들은 개별적으로 더 혼란스러웠습니다(소용돌이에 의해 휘둘리고 있었습니다). 그래서 평균값은 멕시코 만류가 "더 복잡한" 시스템이라고 말했습니다.
새로운 방식 (CWMMSE): 저자들은 멕시코 만류의 표류물들이 실제로 몇 개의 거대한 루프와 소용돌이를 따라 움직이고 있다는 것을 발견했습니다. 그들은 개별적으로는 무질서했지만, 집단적으로는 모두 같은 행동을 하고 있었습니다. 반면, 사르가소 해의 표류물들은 느리게 움직였지만, 각각 완전히 독특하고 무작위적인 경로를 택했습니다.
결과: CWMMSE는 사르가소 해가 더 다양하기 때문에 그곳을 더 복잡한 시스템이라고 선언했습니다. 에너지가 넘치는 멕시코 만류는 사실 "중복적"이었던 것입니다.

심장 박동 테스트:
이 부분은 의학적으로 매우 중요합니다. 그들은 건강한 사람과 심근경색 환자의 심장 박동을 조사했습니다.

기존 방식: 개별 심장 박동의 복잡성을 평균 냈을 때, 아픈 심장이 건강한 심장보다 오히려 더 복잡하게(더 불규칙하게) 보였습니다. 이는 의학계의 알려진 문제인데, 때때로 질병이 신호를 더 "노이즈가 많은" 것처럼 보이게 만들지만, 그것이 시스템이 건강하다는 것을 의미하지는 않습니다. 사실, 평균 방식은 아픈 심장을 더 복잡한 그룹으로 분류했는데, 이는 잘못된 결론이었습니다.
새로운 방식 (CWMMSE): 저자들은 건강한 심장이 개별적으로는 아픈 심장보다 약간 덜 복잡할지라도, 전체 집단에 걸쳐 매우 다양한 패턴을 보여준다는 것을 발견했습니다. 반면, 아픈 심장들은 몇 가지 정형화되고 "망가진" 패턴에 모여 있었습니다. 건강한 그룹은 다양했고, 아픈 그룹은 중복적이었습니다.
결과: CWMMSE는 건강한 그룹을 더 복잡하고 견고한 시스템으로 올바르게 식별했습니다. 이 도구는 평균 방식의 순위를 역전시켜, 아픈 심장의 "무질서함"이 사실은 붕괴하고 있는, 즉 다양성이 낮은 인구 집단의 징후임을 보여주었습니다.

무엇을 배제하는가

저자들은 자신들의 도구가 아닌 것에 대해서도 매우 명확하게 밝히고 있습니다. 그들은 단순히 "다양성"만을 측정해서는 안 된다는 것을 명시적으로 보여줍니다. 그들은 인공위성과 우주 파편 그룹을 통해 이를 테스트했습니다. 이 물체들은 모두 서로 다른 궤도에 있어 매우 다양합니다(높은 다양성 점수). 하지만 그들의 움직임은 완벽하게 예측 가능하고 단순합니다(낮은 개별 복잡성).

함정: 만약 다양성만을 측정한다면, 우주 파편이 우주에서 가장 복잡한 시스템이라고 말하게 될 것입니다.
현실: CWMMSE는 이 그룹에 거의 0에 가까운 점수를 정확하게 부여했습니다. 이는 개별 부분이 예측 가능하다면, 시스템이 다양하더라도 여전히 "단순"할 수 있음을 증证明합니다. 제대로 된 답을 얻으려면 두 가지 재료가 모두 필요합니다.

얼마나 확실한가?

저자들은 단순히 추측한 것이 아니라 엄격하게 테스트했습니다. 그들은 답을 미리 알고 있는 혼돈계(유명한 로렌츠 및 로슬러 시스템 등)의 컴퓨터 시뮬레이션을 사용했습니다. 그들의 새로운 도구는 매번 올바른 순위를 맞춘 반면, 기존의 평균 방식은 실패했습니다. 또한, 복잡해 보이지만 실제로는 그렇지 않은 것들에 속지 않기 위해 "영 모델 테스트(null tests)"(위성 예시와 같은)를 수행했습니다.

그들은 해류, 열대 저기압, 선박 통행, 지진, 심지어 신경 퇴행성 질환 환자의 보행 패턴을 포함한 11가지 유형의 데이터를 테스트했습니다. 모든 경우에서 새로운 도구는 기존의 평균 방식이 놓친 숨겨진 구조를 드러냈습니다. 그들은 또한 개별적인 무질서와 집단적 다양성 사이의 "결합(coupling)"이 중요하다는 것을 보여주었습니다. 이는 단순히 두 값을 곱하는 것이 아니라, 그들의 공식이 포착하는 특정한 관계입니다.

요약

여기서의 핵심 교훈은 전체는 단순히 부분의 합이 아니라는 것입니다. 과학자들이 데이터의 군중을 관찰할 때, 단순히 평균을 내서는 안 됩니다. 때로는 차분하고 다양한 그룹이 혼란스럽고 반복적인 그룹보다 더 복잡하고 흥미로울 수 있습니다. 이 새로운 "가중치" 점수를 사용함으로써, 연구자들은 마침내 진정으로 복잡한 시스템과 그저 무질서하거나 그저 다른 시스템 사이를 구별할 수 있게 되었습니다. 이것은 단순히 가수의 평균 성량을 듣는 것이 아니라, 전체 합창단의 소리를 듣는 새로운 방법입니다.

기술 요약: 클러스터링 가중 다변량 다중 스케일 샘플 엔트로피(CWMMSE)를 이용한 궤적 앙상블의 복잡도 정량화

1. 문제 정의

물리, 생물, 공학 과학 분야에서 시스템은 단일 시계열보다는 궤적의 앙상블(예: 위성 군집, 임상 코호트, 유체 입자)로 관찰되는 경우가 점점 늘어나고 있다. 기존의 복잡도 측정 방식인 샘플 엔트로피(SampEn), 근사 엔트로피(Approximate Entropy), 다중 스케일 엔트로피(MSE) 등은 개별 시계열의 예측 불가능성을 특징짓는다. 그러나 이러한 척도를 단순히 개별 궤적의 복잡도를 평균 내어 앙상블에 적용하는 방식은 집단의 구조적 다양성을 버리는 결과를 초래한다.

본 논문은 이러한 "평균화" 접근법의 결정적인 한계를 지적한다: 즉, 이 방식은 개별 복잡도(단일 궤적이 얼마나 불규칙한가)와 앙상블 다양성(궤적 집단이 얼마나 다양한가)을 혼동한다. 결과적으로 평균화는 다음 두 가지 상황을 구분할 수 없다:

모든 구성원이 동일하게 복잡한 행동을 보이는 중복된 집단.
많은 서로 다른, 개별적으로는 단순한 행동들이 공존하는 다양한 집단.

저자들은 시스템 복잡도를 나타내는 충실한 척도는 구성원의 불규칙성과 집단의 다양성을 동시에 고려해야 하며, 이 두 요소는 실제 데이터에서 크게 달라질 수 있다고 주장한다.

2. 방법론: 클러스터링 가중 다변량 다중 스케일 샘플 엔트로피 (CWMMSE)

저자들은 개별 복잡도와 앙상블 다양성을 하나의 가중 엔트로피 값으로 융합하는 CWMMSE를 제안한다. 이 구성은 세 단계로 진행된다:

A. 궤적 내 복잡도 (개별 구성 요소)
$M$ 개의 다변량 시계열로 이루어진 앙상블 내의 각 궤적 $T_j$ 에 대해, 저자들은 **다변량 다중 스케일 샘플 엔트로피(MMSE)**를 계산한다.

조립(Coarse-graining): 시간 스케일 $s$ 에서 채널들을 겹치지 않는 블록 단위로 평균화한다.
지연 임베딩(Delay Embedding): 모든 채널에 걸친 합성 지연 벡터를 형성한다.
엔트로피 계산: 두 세그먼트가 임베딩 차원 $d$ 에서 일치할 때, 채널당 한 개의 샘플씩 확장되어도 일치할 조건부 확률을 계산한다. 이 확률의 음의 로그값이 $S(T_j)$ 를 산출한다.
이 단계는 각 개별 궤적의 고유한 동역학적 복잡성을 포착한다.

B. 앙상블 다양성 (집단 구성 요소)
궤적들은 행동 패턴에 따라 클러스터링을 통해 그룹화된다.

클러스터링: 궤적 이질성 지표(기본값: 점별 유클리드 거리)를 사용하여 응집형 워드 연결법(Agglomerative Ward linkage)을 사용한다.
해상도(Resolution): 클러스터링은 특정 높이(최대 연결 거리의 비율로 정의됨)에서 절단되어 행동 패턴을 정의한다.
다양성 지표: 클러스터 $k$ 에 대한 집단 분포는 샤논 클러스터 엔트로피 $H(C) = -\sum p_i \ln p_i$ 를 사용하여 정량화된다 (여기서 $p_i$ 는 클러스터 $i$ 에 속한 궤적의 비율). 이는 $\ln M$ 으로 정규화되어 $\hat{H}$ 를 산출한다.

C. 융합: 가중 엔트로피
CWMMSE는 벨리스와 구이아수(Belis and Guiaşu)의 가중 엔트로피 프레임워크를 사용하여 이러한 요소들을 결합한다.

공식: $S_{CWMMSE} = \sum_{i=1}^{k} (-p_i \ln p_i) S_i$ , 여기서 $S_i$ 는 클러스터 $i$ 에 속한 궤적들의 평균 MMSE이다.
해석: 이는 각 결과(패턴)가 자신의 동역학적 복잡도에 의해 가중치가 부여된 집단 패턴 분포의 샤논 엔트로피이다.
이론적 근기: 저자들은 앙상블 크기 $M \to \infty$ 일 때, 고정된 유한 분할에 대한 CWMMSE의 경험적 플러그인 추정량이 **강한 일관성(strong consistency)**을 가짐을 증명한다.

대안과의 핵심 차이점:

평균화 대비: 평균( $\bar{S}$ )은 다양성을 무시한다.
다양성 지표(예: Rao의 이차 엔트로피) 대비: 이들은 쌍별 이질성에 의해 가중치를 부여하지만, 복잡한 행동을 가진 다양한 집단과 사소한(예측 가능한) 행동을 가진 다양한 집단을 구분하지 못한다.
분리된 곱( $H(C) \cdot \bar{S}$ ) 대비: 곱셈 방식은 두 요소의 한계를 존중하지만, **복잡도-다양성 결합(complexity-diversity coupling)**을 버리게 된다. CWMMSE는 패턴의 복잡도와 그 빈도(놀람 정도, surprisal) 사이의 공분산을 유지하며, 이는 실제 데이터에서 무시할 수 없는 값이다.

3. 주요 기여

정의 및 이론: 궤적 앙상블에 적용된 벨리스와 구이아수의 가중 엔트로피의 특수한 사례로서 CWMMSE를 도입하고, 고정 해상도 하에서 경험적 추정량의 강한 일관성을 증명하였다.
분해: 시스템 복잡도가 두 가지 상이한 구성 요소, 즉 궤적 내 복잡도와 궤적 간 다양성으로 분해됨을 보여주었다.
이중 요소의 필요성: 단일 요소 측정 방식이 실패함을 보여주는 두 가지 "대조군"을 통해 검증하였다:
- 심장 제어(Cardiac Control): 평균 엔트로피는 질병이 있는 심장을 건강한 심장보다 더 복잡한 것으로 잘못 순위 매기지만, CWMMSE는 집단 다양성의 붕괴로 인해 질병 코호트를 더 낮은 복잡도로 올바르게 식별한다.
- 궤도 영점(Orbital Null): 다양성 전용 지표(Rao의 엔트로피 등)는 완벽하게 예측 가능한 인공위성 파편 구름을 매우 복잡한 것으로 순위 매기지만, CWMMSE는 개별 궤적이 사소하기 때문에 거의 0에 가까운 복잡도를 반환한다.
교차 도메인 검증: 11개의 시스템(카오스, 해양 표류자, ECG, 위성 궤도, 난류, 사이클론 등)에 대해 별도의 튜닝 없이 적용하여, 이 분해가 보편적으로 성립함을 보여주었다.

4. 결과

결정론적 카오스: CWMMSE는 로렌츠(Lorenz) 및 로슬러(Rössler) 시스템의 레짐을 올바르게 정렬하며, 카오스 레짐에서 정점을 찍고 고정점/주기적 레짐에서는 0에 수렴한다. 또한 비선형 카오스를 선형 노이즈 대리물(surrogates)과 구별한다.
해양 표류자: 걸프 스트림(에너지가 넘치는 흐로)은 높은 개별 복잡도(구불구불한 경로)를 갖지만 낮은 시스템 복사(중복되고 일관된 구조)를 갖는 반면, 사르가소 해(정적인 소용돌이)는 낮은 개별 복잡도를 갖지만 다양하고 독립적인 경로 덕분에 높은 시스템 복잡도를 갖는다. CWMMSE는 사르가소가 더 복잡한 시스템임을 올바르게 순위 매긴다.
ECG 코호트: 심근경색(MI) 대 건강한 코호트의 경우, 개별 기록의 복잡도는 거의 동일하거나 약간 더 높다. 그러나 건강한 코호트는 훨씬 높은 앙상블 다양성을 보인다. CWMMSE는 평균 엔트로피의 순위를 뒤집어, 건강한 인구가 더 복잡하다는 것을 올바르게 식별한다.
위성 궤도: 저궤도 물체들로 이루어진 파편 구름은 위치상으로는 최대의 다양성을 보이지만 개별적으로는 예측 가능하다. 다양성 전용 지표는 이를 가장 복잡한 시스템으로 순위 매기지만, CWMMSE는 이를 거의 0에 가까운 복잡도로 할당한다.
기타 시스템: 이 척도는 난류와 층류를 성공적으로 구분하고, 열대 저기압 궤도의 변칙성을 정렬하며, 2011년 도호쿠 지진 해일 동안의 시스템 복잡도 붕괴를 감지한다.

5. 의의 및 주장

본 논문은 집단의 복잡도는 평균을 내는 것이 아니라 측정되어야 한다고 주장한다. 핵심 논거는 앙상블의 복잡성은 단순히 부분들의 합이나 평균이 아니라, 개별의 불규칙성과 집단의 다양성 사이의 상호작용에서 발생하는 별개의 속성이라는 점이다.

이론적 의의: CWMMSE는 동역학적 복잡성과 기능적 다양성을 통합하는 원칙적인 정보 이론적 프레임워크(가중 엔트로피)를 제공한다. 이는 시스템이 한 가지 의미(개별 궤적)에서는 "복잡"하지만 다른 의미(중복된 인구)에서는 "단순"할 수 있는, 혹은 그 반대인 모호함을 해결한다.
실용적 의의: 이 척도는 생리학(인구 다양성 상실을 통한 질병 탐지)부터 우주 상황 인식(복잡한 파편과 예측 가능한 궤도 구분)에 이르기까지 다양한 분야의 진단 도구를 제공한다.
한계 및 범위: 저자들은 CWMMSE가 클러스터링 해상도와 앙상블 크기에 의존하는 연구 내의 비교 도구임을 겸허히 언급한다. 이는 구조와 노이즈를 분리하기보다는(샘플 엔트로피는 노이즈를 매우 불규칙한 것으로 간주함) 유사한 확률성을 가진 시스템들을 순위 매기는 용도이다. 해상도 파라미터는 제거해야 할 골칫거리가 아니라 명시적으로 보고되는 설정값으로 취급된다.

결론적으로, 본 논문은 궤적 앙상블로 관찰되는 시스템에 대해, 충실한 복잡도 척도는 구성원의 복잡함과 인구의 다양성을 모두 포착해야 하며, CWMMSE가 이 요구를 충족한다는 것을 입증한다.