한 무리의 친구들이 숨겨진 보물의 비밀 위치를 맞히려고 노력하는 세상을 상상해 보세요. 하지만 그들 중 누구도 보물과 직접 대화할 수는 없습니다. 그들은 오직 바로 옆에 있는 이웃에게만 속삭일 수 있을 뿐입니다. 그리고 보물 그 자체는 아무도 본 적 없는 거칠고 예측 불가능한 춤을 추며 움직이고 있습니다. 이것이 바로 **분산 추정(distributed estimation)**이라는 분야의 핵심입니다. 과학과 공학에서 이는 드론, 로봇, 또는 기상 관측소와 같은 센서 네트워크가 환경에서 일어나고 있는 일을 함께 파악하는 것을 의미합니다. 큰 과제는 정보의 "원천"(보물, 폭풍, 로봇 등)이 종종 예측하기 어려운 복잡하고 비선형적인 방식으로 행동한다는 점이며, 센서들은 게임의 규칙조차 모를 수도 있다는 것입니다. 만약 그들이 자신의 비밀 제어 입력이나 원천의 숨겨진 움직임에 대한 추측을 공유할 수 있다면 쉬운 일일 것입니다. 하지만 현실 세계에서는 대역폭이 제한되어 있으며, 너무 많은 데이터를 공유하는 것은 종종 불가능하거나 위험합니다. 그렇다면 질문은 이것입니다. 센서 팀이 정보의 원천이 가진 제어 패널을 전혀 보지 못한 채, 오직 자신들의 로컬 데이터와 이웃들과의 대화만으로 미스터리한 원천을 찾아낼 수 있을까요?

이 논문은 바로 그 퍼즐을 다룹니다. 저자인 모 카말룰 와피(Moh Kamalul Wafi)와 밀라드 시아미(Milad Siami)는 신비롭고 움직이는 표적을 추적하기 위한 새로운 방법을 제안합니다. 그들은 각 센서가 마치 탐정처럼 행동하며, 이웃이 말해주는 것에 기반하여 자신의 추측을 끊임없이 업데이트하도록 설계했습니다. 이때 원천의 비밀 입력을 알 필요도, 자신의 입력을 공유할 필요도 없습니다. 그들은 이 방법이 수학적으로 안정적이며, 설령 표적이 무작위적인 충격(교란)에 의해 휘둘리더라도 통제 불능 상태에 빠지지 않음을 증명했습니다. 그들은 별 모양, 원형, 선형 등 다양한 네트워크 형태를 사용한 컴퓨터 시뮬레이션을 통해 아이디어를 테스트했으며, 모든 경우에서 센서들이 표적을 성공적으로 추적했으며 센서를 추가할수록 시스템이 더 빠르고 효율적으로 변한다는 것을 발견했습니다.

움직이는 표적의 미스터리

비밀 요원(원천)이 아무도 모르는 숨겨진 대본에 따라 속도와 방향을 바꾸며 도시를 질주하고 있다고 상상해 보세요. 이 요원은 스파이 팀(센싱 노드)에 의해 추격당하고 있습니다. 스파이들은 요원을 직접 볼 수 없습니다. 그들은 오직 자신의 주변 환경만을 볼 수 있고, 바로 옆에 서 있는 스파이들과 대화할 수 있을 뿐입니다. 요원은 "비선형(nonlinear)" 방식으로 움직이는데, 이는 요원의 움직임이 단순한 직선이나 예측 가능한 곡선이 아니라, 위치에 따라 변하는 거칠고 뒤틀리는 춤이라는 것을 뜻하는 멋진 수학적 표현입니다.

과거에는 스파이들이 이 요원을 잡고 싶다면, 요인의 비밀 대본을 미리 알고 있거나 서로에게 자신의 제어 명령을 외칠 수 있는 방법이 있어야 했습니다. 하지만 이 논문에서 저자들은 "그럴 순 없다!"라고 말합니다. 그들은 스파이들이 대본을 알 필요도 없고, 자신의 제어 움직임을 외칠 필요도 없는 시스템을 구축했습니다. 대신, 그들은 영리한 "적응형(adaptive)" 기술을 사용합니다. 이것은 마치 한 번도 들어본 적 없는 노래의 가사를 맞히려는 사람들의 모임과 같습니다. 가수가 가사를 알려주기를 기다리는 대신, 그들은 서로의 말을 듣고, 자신의 추측이 진실에 얼마나 가까웠는지에 따라 추측을 조정합니다. 만약 틀렸다면, 그들은 진실에 도달할 때까지 내부의 "모델"을 미세하게 수정합니다.

"공유 금지" 규칙

이 새로운 방법의 가장 멋진 점은 그것이 하지 않는 일입니다. 보통 이런 종류의 문제에서 스파이들은 자신의 "흥분(excitation)" 또는 "입력(input)", 즉 자신을 움직이기 위해 누르는 비밀 버튼을 공유해야 합니다. 하지만 저자들은 이를 명시적으로 제외했습니다. 그들은 모든 스파이가 이미 가지고 있는 정보, 즉 자신의 로컬 측정값과 이웃으로부터 전달받은 추정치만을 사용하도록 시스템을 설계했습니다. 이것은 매우 중요한데, 왜냐하면 네트워크가 붐비거나 추가 데이터 공유가 느리거나 위험한 상황에서도 시스템이 작동함을 의미하기 때문입니다. 이것은 마치 "당신은 무엇을 들고 있나요?"라고 물어보는 것이 금지된 상태에서, 오직 자신의 조각과 옆 사람의 조각만을 보고 퍼즐을 푸는 것과 같습니다.

마법의 수학: 크로네커와 안정성

이것을 가능하게 하기 위해 저자들은 고도의 수학을 사용했지만, 우리는 이것을 특별한 종류의 "풀"과 "안전망"이라고 생각할 수 있습니다.

먼저, 그들은 **크로네커 곱(Kronecker product)**이라 불리는 것을 사용했습니다. 여러분이 도시의 지도(네트워크)와 한 명의 스파이가 생각하는 방식(로컬 역학)을 가지고 있다고 상상해 보세요. 보통 이 두 지도를 섞으면 거대하고 엉망인 타래가 만들어집니다. 크로네커 곱은 도시 지도와 스파이의 사고 지도를 분리하면서도 연결된 상태로 유지하는 특별한 도구와 같아서, 수학적 구조가 깔끔하고 관리 가능하게 유지되도록 합니다. 이를 통해 팀은 복잡함 속에 길을 잃지 않고도 개별 부분을 살펴봄으로써 전체 그룹의 행동을 분석할 수 있습니다.

둘째, 그들은 시스템이 통제 불능에 빠지지 않음을 증명해야 했습니다. 수학에서 이것은 **안정성(stability)**이라고 불립니다. 만약 스파이들이 엉뚱한 추측을 하기 시작하고 그 오차가 점점 커진다면 시스템은 실패합니다. 저자들은 "리야푸노프 함수(Lyapunov function)"를 사용했는데, 이는 일종의 안전 계측기와 같습니다. 그들은 표적이 어떻게 움직이든, 혹은 무작위적인 충격(노이즈)이 얼마나 끼어들든 상관없이, 이 "안전 계측기"가 항상 낮아지거나 일정하게 유지된다는 것을 보여주었습니다. 이는 스파이들의 추측이 결국 안정되어 진실에 가까워질 것임을 보장합니다.

또한 그들은 네트워크가 안정적인지 확인하기 위한 특정 "규칙"(슈르 안정성 조건)을 개발했습니다. 한 규칙은 간단하고 확인하기 쉬운 테스트였지만, 저자들은 그것이 너무 엄격하여 실제로는 안정적인 네트워크를 불안정하다고 판정한다는 것을 발견했습니다. 그래서 그들은 훨씬 더 정교하고 "구조화된" 규칙(선형 행 inequality, 즉 LMI를 사용하는 방식)을 만들었습니다. 이 규칙은 네트워크의 특정 형태를 고려하여, "이 부분이 위험해 보일지라도 수학적으로는 사실 안전하다!"라고 판단하는 훨씬 더 똑똑한 방식입니다.

시뮬레이션: 별, 원, 그리고 선

아이디어가 실제로 작동하는지 확인하기 위해 저자들은 컴퓨터 시뮬레이션을 실행했습니다. 그들은 세 가지 다른 유형의 스파이 네트워크를 설정했습니다:

1. 별(Star): 중앙 허브 하나가 나머지 모두와 연결된 형태.
2. 순환(Cyclic): 사람들이 루프를 그리며 이웃과 대화하는 원형.
3. 경로(Path): 첫 번째 스파이가 두 번째에게, 두 번째가 세 번째에게 전달하는 직선 형태.

그들은 스파이들을 혼란에 빠뜨리기 위해 무작위 충격을 포함한 까다롭고 꿈틀거리는 경로를 "에이전트"에게 부여했습니다. 결과는 인상적이었습니다. 세 가지 네트워크 형태 모두에서 스파이들은 에이전트를 성공적으로 추적했습니다.

• 별 네트워크에서는 모두가 소스(중앙)로부터 직접 소식을 듣기 때문에 답을 빠르게 얻었습니다.
• 순환 네트워크에서는 소식이 원을 따라 전달되는 데 시간이 조금 더 걸렸지만, 결국 따라잡았습니다.
• 경로 네트워크에서는 소식이 줄을 타고 끝까지 전달되어야 했기에 마지막에 있는 스파이가 따라잡는 데 가장 오래 걸렸습니다. 하지만 그들조차 결국 에이전트를 완벽하게 추적했습니다.

저자들은 또한 스파이들이 에이전트의 움직임에 대한 숨겨진 규칙을 얼마나 잘 학습하는지 확인했습니다. 그들은 스파이들의 숨겨진 규칙에 대한 추측이 안전하고 제한된 범위 내에 머물러 있다는 것을 발견했습니다. 그들은 미쳐 날뛰지 않았고, 단지 충분히 잘할 때까지 계속해서 조정해 나갔습니다.

규모 확장: 4명의 스파이에서 500명까지

가장 흥미로운 발견 중 하나는 시스템이 성장에 어떻게 대응하는가였습니다. 저자들은 4명의 스파이부터 500명까지의 네트워크를 테스트했습니다. 그들은 시뮬레이션을 실행하는 데 걸리는 시간이 직선 형태로 증가한다는 것을 발견했습니다. 스파이 수가 두 배가 되면 시간도 대략 두 배가 됩니다. 이것은 "선형 확장성(linear scalability)"이라 불리며, 엔지니어들에게는 꿈과 같은 일입니다. 이는 이 방법이 컴퓨터에 과부하를 주지 않고도 수천 개의 센서가 있는 거대한 네트워크에 사용될 수 있음을 의미합니다. 계산 비용은 전체 네트워크의 복잡성이 아니라 각 스파이가 로컬에서 수행하는 작업에 의해 결정됩니다.

결론

이 논문은 우주의 모든 문제를 해결했다고 주장하는 것이 아닙니다. 저자들은 자신들의 결과가 실제 현장 테스트가 아닌 컴퓨터 시뮬레이션과 수학적 증명에 기반하고 있음을 신중하게 밝히고 있습니다. 또한 스파이들이 에이전트의 정확한 비밀 규칙을 배우기 위해서는 에이전트가 자신의 비밀을 드러낼 만큼 "풍부하게(rich)" 움직여야 한다(지속적 흥분 개념)는 점도 언급했습니다. 만약 에이전트가 가만히 서 있거나 지루한 루프를 돌며 움직인다면, 스파이들이 전체 규칙을 다 배우지는 못할 수도 있지만, 위치 자체는 여전히 추적할 수 있습니다.

하지만 이 논문은 이 새로운 "공유 금지" 접근 방식이 알려지지 않은 움직이는 표적을 추적하는 데 있어 견고하고 효율적인 방법임을 강력하게 시사합니다. 이 방식은 협력하여 작동하기 위해 자신의 비밀 제어 입력을 공유할 필요가 없다는 것을 증명합니다. 네트워크 구조와 로컬 학습을 분리하는 영리한 수학을 사용하고, 시스템에 내장된 안전망을 확보함으로써, 센서 그룹은 혼자서는 풀 수 없는 미스터리를 협력하여 해결할 수 있습니다. 이는 복잡하고 예측 불가능한 현실 세계를 다룰 수 있는 스마트하고 협력적인 네트워크를 만드는 데 있어 한 단계 나아간 진전입니다.