String theory mathematics and matrix data analysis

과학의 위대한 정렬 게임

당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보세요. 하지만 당신의 단서는 지문 대신 거대한 숫자 격자입니다. 물리학과 데이터 과학의 세계에서 이 숫자 격자를 "행렬(matrices)"이라고 부릅니다. 수십 년 동안 과학자들은 이 숫자 격자를 이해하기 위해 '무작위 행렬 이론(Random Matrix Theory)'이라는 강력한 도구를 사용해 왔습니다. 이 이론을 숫자의 순서는 중요하지 않고 오직 전체적인 패턴만이 중요하다는 가정을 가진 마스터 키라고 생각하면 됩니다. 이 이론은 원자핵 내부의 혼돈스러운 에너지 준위부터 주식 시장의 격동적인 변동에 이르기까지 모든 것을 이해하는 데 도움을 주었습니다.

하지만 만약 그 숫자들이 단순히 무작로운 혼돈이 아니라면 어떨까요? 만약 그들이 파티에 모인 친구들 같다면 어떨까요? 실제 파티에서는 이름표의 이름을 서로 바꾼다 해도 그 그룹의 역동성은 변하지 않습니다. 이 아이디어를 "순열 대칭(permutation symmetry)"이라고 합니다. 전통적인 수학 도구들은 이 격자들이 고정되고 경직된 순서를 가진 것처럼 취급하지만, 새로운 접근 방식은 이들을 파티처럼 다루어야 한다고 제안합니다. 즉, 라벨을 바꾸더라도 이야기는 변하지 않아야 한다는 것입니다. 이것이 바로 스트링 이론의 추상적인 수학과 우리가 매일 사용하는 복잡한 현실 세계의 데이터를 연결하는 산자예 람굴람(Sanjaye Ramgoolam)의 연구가 담고 있는 핵심입니다.

논문: 수학이 파티를 만날 때

이 논문은 **순열 불변 가우시안 행렬 모델(Permutation Invariant Gaussian Matrix Models, PIGMM)**이라 불리는 행렬 데이터를 분석하는 새로운 방법을 소개합니다. 저자인 산자예 람굴람은 전통적인 방법들이 연속적인 대칭(도형을 부드럽게 회전시키는 것과 같은)에 의존하는 반면, 많은 실제 데이터셋은 사실 훨씬 단순한 유한한 대칭, 즉 항목의 순서를 바꾸어도 결과가 변하지 않는 능력에 의해 지배된다고 주장합니다.

논문의 주요 발견을 이해하기 위해, $N$이 수천이 될 수도 있는 $N \times N$ 셀로 이루어진 거대한 스프레드시트를 상상해 보십시오. 만약 표준 수학을 사용하여 모든 단일 셀과 다른 모든 셀 간의 관계를 설명하려고 시도한다면, 당신은 엄청난 수의 변수가 필요할 것입니다. 구체적으로 $N^2$개의 선형 계수와 $N^2(N^2 + 1)/2$개가 넘는 이차 계수가 필요합니다. 그것은 오르기 거의 불가능한 데이터의 산과 같습니다.

하지만 람굴람의 논문은 만약 당신이 "파티 규칙"(순열 대칭)을 존중한다면, 그 거대한 산 전체를 작고 관리 가능한 언덕으로 줄일 수 있다는 것을 보여줍니다. 이 논문은 이러한 특정 유형의 행렬들에 대해, 전체 시스템을 설명하는 데 단 13개의 파라미터만 필요하다는 것을 밝혀냈습니다. 만약 행렬이 대칭이고 대각선에 0을 가진다면(자기 자신을 비교하지 않는 상관 행렬처럼), 그 숫자는 4개의 파라미터로 더 줄어듭니다.

이 마법은 어떻게 작동할까요?
이 논문은 스트링 이론의 수학에서 영감을 얻은 기발한 트릭을 사용합니다. 이는 행렬의 항목들을 무작위 숫자가 아니라 그래프의 연결 관계로 취급합니다.

• 그래프 비유: 행렬의 각 숫자를 점이라고 하고, 두 숫자 사이의 관계를 연결하는 선이라고 상상해 보십시오. 이 논문은 행렬의 복잡한 수학이 단순한 도형(그래프)의 집합으로 번역될 수 있음을 보여줍니다.
• 번역: 저자들은 대칭군 $S_N$(단순히 사물을 섞는 수학)의 "표현론(representation theory)"을 사용하여, 행렬의 복잡하고 엉킨 이차 작용(quadratic action)을 "근대각(near-diagonal)" 형태로 변환합니다. 이것은 마치 꼬여 있는 헤드폰 줄을 풀어 평평하고 곧게 펴는 것과 같습니다.
• 결과: 이러한 단순화는 과학자들이 데이터가 완벽하게 가우시안(종 모양의 정규 분포)일 경우 어떻게 행동할지 예측하기 위해 "윅 수축(Wick contractions)"이라는 표준 알고리즘을 사용할 수 있게 해줍니다.

그들은 실제로 무엇을 발견했나요?
이 논문은 단순히 이론적인 상자에 머물러 있지 않습니다. 이들은 실제 데이터에 이 아이디어들을 테스트했습니다.

1. 언어학: "단어 행렬"(단어들이 얼마나 자주 함께 나타나는지에 따라 단어를 비교하는 행렬)에 적용했을 때, 데이터는 "근가우시안(near-Gaussian)"이라는 강력한 증거를 보여주었습니다. 이는 단어들 사이의 복잡한 관계가 작은 흥미로운 편차를 가진 단순한 종 모양 곡선으로 설명될 수 있음을 의미합니다.
2. 금융: 모델은 주식 시장의 상관 행렬에 대해 테스트되었습니다. "비가우시안" 부분(단순한 곡선에 맞지 않는 부분)을 살펴봄으로써, 모델은 시장의 "이례적인 날들"을 성공적으로 식별해 냈습니다. 이 날들은 특이하거나 중요한 경제적 사건과 일치하는, 시장에서 눈에 띄는 날들이었습니다. 실제로 이 방법은 산업 표준인 "주성분 분석(Principal Component Analysis)"만큼 성능이 좋았으며, 다만 다른 대칭 기반의 접근 방식을 사용했습니다.
3. 신경망: 논문은 이 대칭 관점이 인공지능 네트워크 내부의 가중치에도 적용되었음을 언급하며, AI의 "두뇌" 또한 이러한 섞기 규칙을 따를 수 있음을 시사합니다.

미래는 어떠할까요?
이 논문은 이 방법이 입자 물리학의 게임 체인저가 될 수 있다고 제안하지만, 이를 증명하지는 않습니다. 입자 충돌기 실험에서 과학자들은 입자들을 서로 충돌시켜 새로운 입자의 샤워를 만들어냅니다. 입자들이 나열되는 순서는 물리적으로 중요하지 않은 경우가 많습니다. 저자는 이 "강입자화(hadronisation)" 과정(입자들이 감지 가능한 물질로 형성되는 과정)을 분석하기 위해 PIGMM를 사용할 것을 제안합니다. 입자 목록을 순열 불변인 것으로 취급함으로써, 그들은 이상 징후를 포착하거나 입자들이 서로 결합하는 비섭동 물리학을 이해하기 위한 새로운 도구를 만들기를 희망합니다.

결론
이 논문은 하나의 다리입니다. 이는 스트링 이론의 무겁고 추상적인 수학을 실용적인 데이터 문제에 적용합니다. 이 논문이 주식 시장을 해결했거나 우주의 암호를 풀었다고 주장하는 것이 아닙니다. 다만, "순서가 중요하지 않다"는 단순한 규칙을 존중함으로써 거대하고 복잡한 데이터 세트를 몇 개의 핵심 숫자로 줄이는 강력한 새로운 렌즈를 제공합니다. 단어들이 어떻게 연관되는지, 주식이 어떻게 움직이는지, 혹은 입자들이 어떻게 충돌하는지를 이해하든 간에, 이 접근 방식은 때때로 숲을 보는 가장 좋은 방법은 어떤 나무가 어떤 나무인지 걱정하는 것을 멈추는 것이라는 점을 시사합니다.