🤖 machine learning

Latent Lie-Poisson Neural Networks (LLPNNs): Discovering the motion of Lie-Poisson systems through observable data and latent dynamics

이 논문은 잠재 변수가 관찰 불가능한 퇴화된 시스템에서도 해밀토니안 디코더, 노터 불변량, 리 군 업데이트와 같은 기하학적 요소들을 활용하여 정확한 장기 예측을 달성함으로써, 관측 가능한 데이터로부터 리-푸아송 역학을 직접 학습하는 구조 보존 프레임워크인 잠재 리-푸아송 신경망(Latent Lie-Poisson Neural Networks, LLPNNs)을 소개한다.

원저자: Vakhtang Putkaradze

게시일 2026-08-03

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Vakhtang Putkaradze

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 컴퓨터에게 회전하는 팽이, 수영하는 로봇, 또는 드론 군집이 미래에 어떻게 움직일지를 예측하도록 가르치려 한다고 상상해 보십시오. 당신은 그들이 움직이는 비디오를 가지고 있으며, 그들의 위치와 속도를 보여주지만, 그 움직임을 실제로 구동하는 '보이지 않는 기어', 즉 숨겨진 힘과 운동량에 대한 직접적인 창구는 가지고 있지 않습니다. 이것이 바로 **물리 기반 머신러닝(physics-informed machine learning)**의 과제입니다. 즉, 사물이 일어나는 것을 관찰함으로써 자연의 법칙을 이해하도록 AI를 가르치는 것입니다.

보통 우리가 움직임을 예측하려고 할 때, 우리는 눈에 보이는 것(그것이 어디에 있고 얼마나 빨리 가고 있는지)을 보고 다음 단계를 추측합니다. 하지만 회전하는 위성이나 유체 속을 항해하는 차량과 같이 복잡한 시스템의 경우, 눈에 보이는 속도만으로는 전체 이야기를 다 말해주기에 충분하지 않습니다. 실제 시스템의 '엔진'은 **운동량(momentum)**이라는 숨겨겨진 수학적 공간에 존재합니다. 운동량을 고무줄 안의 보이지 않는 장력이라고 생각해보십시오. 당신은 장력 자체를 볼 수는 없지만, 그것이 일으키는 움직임은 볼 수 있습니다. 만약 당신이 단순히 움직임만을 보고 미래를 예측하려 한다면, 숨겨진 장력을 놓칠 수 있으며, 그 예측은 결국 엉뚱한 방향으로 어긋나게 될 것입니다.

게다가, 어떤 시스템들은 '퇴화(degenerate)'되어 있습니다. 즉, 규칙이 다소 깨져 있거나 불완전하다는 뜻입니다. 이러한 경우, 눈에 보이는 속도는 스스로 따를 수 있는 자신만의 규칙을 가지고 있지 않으며, 전적으로 그 숨겨진 장력에 의존하게 됩니다. 숨겨진 장력을 모른 채 미래를 예측하려는 것은, 체스판 위의 기물들만 보고 그 기물들이 어떻게 움직이는지에 대한 규칙을 모른 채 다음 수를 맞추려는 것과 같습니다. 이 논문은 정확히 그 문제를 다룹니다. 즉, 눈에 보이는 춤을 관찰함으로써 어떻게 숨겨진 규칙과 보이지 않는 힘을 컴퓨터가 학습하게 할 것인가에 대한 문제입니다.

숨겨진 움직임을 위한 비밀 해독기

이 논문의 저자인 박탕 푸트카라제(Vakhtang Putkaradze)는 새로운 종류의 AI인 **잠재 리-푸아송 신경망(Latent Lie-Poisson Neural Networks, LLPNNs)**을 발명했습니다. 이것을 컴퓨터가 시스템을 움직이는 보이지 않는, 숨겨진 힘을 파악할 수 있게 해주는 '비밀 해독 반지'라고 생각하십시오.

움직임을 예측하려는 대부분의 AI 모델은 정답지를 암기하는 학생처럼 행동합니다. 그들은 물체가 지금 어디에 있는지, 그리고 1초 전에 어디에 있었는지를 보고 다음 단계에 어디에 있을지 추측합니다. 단순한 것들에게는 이것이 잘 작동하지만, 회전하는 위성이나 수중 차량과 같은 복잡한 시스템의 경우, 이러한 모델들은 결국 혼란에 빠지게 됩니다. 그들은 '보존 법칙(conservation laws)'—즉, 회전하는 팽이가 외부에서 충격을 받지 않는 한 전체 회전력을 유지해야 한다는 것과 같이 자연이 결코 깨뜨리지 않는 근본적인 규칙들—을 잊어버립니다. 이러한 규칙들을 잊어버리기 때문에, 그들의 예측은 현실에서 서서히 벗어나게 됩니다. 마치 매일 조금씩 틀린 지도를 사용하여, 결국 도시 대신 바다에 도착하게 되는 것과 같습니다.

시스템이 '퇴화'되었을 때 문제는 더욱 까ệu로워집니다. 이런 경우, 눈에 보이는 속도(예: 자동차가 앞으로 달리는 속도)는 일정하거나 고정되어 있지만, 숨겨진 운동량(그것을 회전하게 만드는 보이지 않는 힘)은 격렬하게 변할 수 있습니다. 이는 마치 자동차가 직선 도로에서 시속 60마일로 아주 일정하게 달리는 것을 보는 것과 같습니다. 일반적인 관찰자에게 그 자동차는 지루하고 변함없어 보일 것입니다. 하지만 만약 그 자동차가 거대하고 보이지 않는 회전판 위에 있다면, 눈에 보이는 속도는 동일할지라도 숨겨진 운동량은 격렬하게 회전하고 있을 것입니다. 표준적인 AI 모델들은 여기서 막히게 되는데, 왜냐したら 그들은 회전판을 볼 수 없기 때문입니다. 그들은 오직 일정한 속도만을 봅니다. 그들은 속도에 대한 규칙을 만들어내려 하겠지만, 속도는 단지 숨겨진 회전의 그림자일 뿐이므로 그러한 규칙은 존재하지 않습니다.

이 새로운 AI가 퍼즐을 푸는 방법

LLPNN은 우리가 숨겨진 운동량을 직접 볼 수는 없더라도, **뇌터의 정리(Noether's Theorem)**라는 물리학의 '마법 주문'을 사용하여 이를 추론할 수 있다는 점을 깨달음으로써 이 문제를 해결합니다. 이 정리는 만약 시스템이 특정 대칭성(예를 들어, 어떻게 회전하더라도 동일한 성질)을 가지고 있다면, 결코 변하지 않는 숨겨진 양이 존재한다는 것을 말해줍니다.

저자의 방법은 다음과 같이 작동합니다:

숨겨진 상수: AI는 물체가 회전하고 움직이는 동안에도 영원히 변하지 않는 숨겨진 '공간 운동량' 벡터(이를 $p_0$ 라고 합시다)가 존재한다고 가정합니다.
재구성: 물체의 눈에 보이는 경로(위치와 방향)를 사용하여, AI는 저자는 $p_0$ 를 계속 유지하기 위해 숨겨진 운동량이 매 순간 반드시 어떠해야 하는지를 재구성하기 위해 **공조 작용(coadjoint action)**이라는 수학적 가교를 사용합니다. 이는 벽에 비친 그림자의 움직임을 보고, "아, 빛의 근원을 일정하게 유지하기 위해 저 그림자를 만드는 물체는 이렇게 회전하고 있겠구나"라고 깨닫는 것과 같습니다.
규칙 학습: AI가 숨겨진 운동량을 재구성하고 나면, 그 운동량이 어떻게 변하는지를 규정하는 실제 규칙(해밀토니안, Hamiltonian)을 학습합니다. AI는 두 가지 다른 '접근 방식'을 사용하여 이를 수행합니다:
- 디코더 접근 방식(The Decoder Approach): 숨겨진 운동량을 눈에 보이는 속도로 변환하는 함수를 학습합니다.
- 인코더 접근 방식(The Encoder Approach): 눈에 보이는 속도를 다시 숨겨진 운동량으로 변환하는 함수를 학습합니다(단, 시스템에서 변화가 허용되는 부분에 대해서만).

연구 결과

저자는 이 새로운 AI를 세 가지 매우 다르고 도전적인 시나리오에 대해 테스트했습니다:

회전하는 강체(Rigid Body): 3차원 구(SO(3)) 위에서 움직이는 일반화된 형태의 팽이.
수중 차량(Underwater Vehicle): 회전과 병진 운동을 모두 다루며 물속을 이동하는 복잡한 로봇(SE(3)).
드론 군집(Swarm of Drones): 2차원 평면 위의 여러 자율 주행 차량으로, 일부 운동 규칙이 '퇴화'되어 있는 경우(전진 속도는 고정되어 있지만, 회전은 숨겨진 힘에 의해 제어됨).

이 세 가지 모든 경우에서 LLPNN은 숨겨진 역학을 학습하고 탁월한 장기 정확도로 미래를 예측할 수 있었습니다.

'보존'의 마법: 가장 인상적인 결과는 AI가 기계 정밀도(machine precision) 수준으로 '카시미르 불변량(Casimir invariants, 숨겨진 보존량)'을 보존했다는 점입니다. 이는 AI가 단순히 맞는 숫자를 추측한 것이 아니라, 우주의 숨겨진 규칙이 결코 깨지지 않도록 수학적으로 보장했다는 것을 의미합니다.
경쟁 모델 압도: 단순히 가시적인 데이터만을 보는 Neural ODEs나 DeepONets와 같은 다른 인기 있는 AI 방법들과 비교했을 때, LLPNN은 오랫동안 궤도를 유지했습니다. 다른 모델들은 단순한 시스템에서는 괜찮게 작동했지만, 시스템이 '퇴화'되었을 때(예: 드론 군집) 처참하게 실패했습니다. 그런 경우, 다른 AI 모델들은 숨겨진 힘을 볼 수 없었기 때문에 불가능한 경로를 예측하며 빠르게 경로를 이탈했습니다.
강건성(Robustness): 이 방법은 데이터에 노이즈가 있는 경우(실제 센서 오류를 시뮬레이션한 경우)에도 잘 작동했습니다.

한계와 미래

이 논문은 이 방법이 모든 것에 적용되는 마법 지팡이는 아니라는 점을 주의 깊게 명시하고 있습니다. 이 방법은 시스템의 **대칭군(symmetry group)**을 미리 알고 있어야 합니다. 당신은 AI에게 "이것은 회전하는 팽이다" 또는 "이것은 평면 위의 드론이다"라고 알려주어야 합니다. 만약 시스템이 자신의 대칭성을 깨뜨린다면(예: 회전 규칙을 깨뜨리는 목표물을 찾는 드론), 이 방법은 어려움을 겪을 수 있습니다. 또한, 이 방법은 리-푸아송 역학(Lie-Poisson dynamics)을 따르는 시스템을 위해 특별히 설계되었으므로, 그러한 특정한 기하학적 구조가 없는 임의의 무작위 물리 시스템에는 직접 적용될 수 없습니다.

하지만 이 방법이 다루는 시스템들에 대해서는, 결과가 상당한 진전을 보여줍니다. 저자는 딥 기하학적 구조를 신경망에 직접 내장함으로써, 단순히 데이터를 암기하는 것이 아니라 우주의 숨겨진 기어를 이해하는 AI를 구축할 수 있음을 보여주었습니다. 저자는 강체, 수중 차량, 드론 군집의 시뮬레이션을 통해 이를 입증했으며, 가시적인 데이터가 불완전하거나 규칙이 퇴화된 경우에도 숨겨진 진실을 높은 정밀도로 회복하고 예측할 수 있음을 증명했습니다.

요약하자면, 이 논문은 컴퓨터에게 보이지 않는 것을 보는 법을 가르치는 새로운 방법을 제시하며, 그들의 미래 예측이 물리 법칙이라는 깨지지 않는 규칙을 존중하도록 보장합니다.

기술 요약: 잠재 리-푸아송 신경망 (Latent Lie-Poisson Neural Networks, LLPNNs)

1. 문제 정의

본 논문은 데이터 기반 해밀턴 시스템 모델링의 근본적인 과제를 다룹니다. 즉, 관측 가능한 데이터(구성 $g(t)$ 및 속도 $\xi(t)$ )만 사용 가능할 때, 실제 지배 역학이 관측 불가능한 잠재 운동량 변수( $\mu$ )에서 전개되는 **리-푸아송 시스템(Lie-Poisson systems)**의 역학을 학습하는 문제입니다.

이 문제는 특히 다음 두 가지 맥락에서 매우 중요합니다:

대칭 축소(Symmetry Reduction): 강체(rigid bodies), 유체(fluids), 수중 탈것(underwater vehicles)과 같은 많은 기계 시스템은 리-푸아송 시스템으로 대칭 축소가 가능하지만, 데이터는 구성/속도 공간( $G$ 및 $\mathfrak{g}$ )에서 수집됩니다.
최적 제어에서의 퇴화된 해밀토니안(Degenerate Hamiltonians in Optimal Control): 최적 제어 문제(예: 상호작용하는 차량들)에서 축소된 해밀토니안은 종종 **퇴화(degenerate)**되어 있습니다(특정 운동량 성분에 대해 선형적임). 이러한 퇴화는 관측 가능한 변수들에 대한 대응하는 라그랑주 공식(Lagrangian formulation)의 존재를 방해합니다. 결과적으로, 관측 가능한 변수들은 닫힌 자율 역학계(closed autonomous dynamical system)를 형성하지 못합니다. 즉, 서로 다른 잠재 운동량 상태가 동일한 관측 속도를 생성할 수 있지만 서로 다른 시간 미분값을 가질 수 있기 때문에, 관측 가능한 속도의 진화 $\dot{\xi} = f(\xi)$ 를 표현할 수 없습니다.

기존의 구조 보존 방법들(예: 해밀턴 신경망, 심플렉틱 RNN)은 일반적으로 전체 위상 공간에 대한 접근 권한이나 비퇴화된 르장드르 변환(non-degenerate Legendre transform)을 가정하므로, 이러한 특정 사례에는 적용할 수 없거나 부정확합니다.

2. 방법론: 잠재 리-푸아송 신경망 (LLPNNs)

저자는 관측 가능한 데이터로부터 직접 리-푸아송 역학을 학습하면서 숨겨진 운동량 궤적을 재구성하는 프레임워크인 LLPNN을 제안합니다. 이 방법은 세 가지 기하학적 요소에 의존합니다:

A. 기하학적 기초

뇌터의 정리(Noether's Theorem) 및 공작용 재구성(Coadjoint Reconstruction): 리 군(Lie group) 대칭 $G$ 를 가진 시스템의 경우, 공간 운동량 $p_0 \in \mathfrak{g}^*$ 는 보존됩니다. 잠재적인 바디 운동량 $\mu(t)$ 는 일정한 공간 운동량과 공작용(coadjoint action)을 통해 연결됩니다: $\mu(t) = \text{Ad}^*_{g(t)} p_0$ . 이는 관측 가능한 구성 $g(t)$ 와 잠재 운동량 $\mu(t)$ 사이의 정확한 가교를 제공합니다.
퇴화 처리: 본 프레임워크는 활성(active) 변수(해밀토니안이 비선형이고 가역적인 변수)와 수동(passive) 변수(속도가 일정하거나 0인 변수)를 명시적으로 구분합니다. 이는 전역적인 르장드르 변환을 요구하지 않으므로, 라그랑주 공식이 존재하지 않는 경우에도 작동할 수 있습니다.

B. 두 가지 학습 접근 방식

논문은 시스템을 학습하기 위한 두 가지 구별된 아키텍처를 제시합니다:

해밀토니안 접근 방식 (디코더):
- 목표: 해밀토니안 함수 $h(\mu)$ 를 직접 학습합니다.
- 메커니즘: 네트워크는 $h(\mu)$ 를 수동 변수에 대한 선형 항들과 활성 변수에 대한 신경망 잔차(residual)의 합으로 매개변수화합니다.
- 훈련: 각 궤적에 대해, 상수 공간 운동량 벡터 $p_0$ 가 네트워크 가중치와 함께 최적화됩니다. 손실 함수는 관측된 속도와 학습된 해밀토니안의 활성 성분에 투영된 기울기 사이의 차이를 최소화합니다: $\xi_{pred} = \nabla_\mu h(\text{Ad}^*_g p_0)$ .
- 재구성: 학습된 $h(\mu)$ 와 보존된 $p_0$ 를 결과적으로 사용하여 그룹 원소와 운동량을 단계별로 업데이트하기 위해 마그누스 전개(Magnus expansion)를 사용합니다.
라그랑지안 접근 방식 (인코더 / 유사 라그랑지안):
- 목표: 활성 속도를 활성 운동량으로 매핑하는 "유사 라그랑지안" $\ell(\xi_{act})$ 을 학습합니다.
- 메커니즘: 활성 속도와 활성 운동량 사이의 사상이 국소적으로 가역적이라고 가정합니다. 네트워크는 $\mu_{act} = \nabla_{\xi_{act}} \ell(\xi_{act})$ 가 되도록 $\ell(\xi_{act})$ 를 학습합니다.
- 훈련: 공간 운동량 $p_0$ 는 네트워크 평가 외부에서 손실 함수에 선형적으로 나타나므로, 주어진 네트워크 상태에 대해 선형 최소 제곱법을 통해 해결할 수 있습니다. 손실 함수는 예측된 활성 운동량과 $p_0$ 의 공작용 투영 사이의 불일치를 최소화합니다.
- 재구성: 유사 라그랑지안으로부터 유도된 운동량 업데이트 규칙을 만족하는 다음 속도 단계를 찾기 위해 암시적 방정식(root-finding을 통해)을 풉니다.

C. 훈련 전략

웜 스타트(Warm Start): 지역 최솟값을 피하기 위해, 저자는 신경망 가중치를 완전히 해제하기 전에 이차 근사(이차 해밀토니안/라그랑지안)로 네트워크를 초기화하고 제약된 선형 시스템(KKT 조건)을 사용하여 메트릭 행렬과 $p_0$ 를 구합니다.
구조 보존: 재구성 알고리즘은 리 군 업데이트(마그누스 전개)와 공작용을 사용하여, 학습 품질과 관계없이 카시미르 불변량(Casimir invariants)이 기계 정밀도로 보존되도록 보장합니다.

3. 주요 기여

관측 가능한 데이터만을 이용한 학습: 잠재 운동량 측정 없이 관측 가능한 구성 및 속도 데이터로부터 직접 리-푸아송 역학을 학습할 수 있는 최초의 프레임워크입니다.
퇴화된 해밀토니안 처리: 이 방법은 정칙(regular) 해밀토니안과 퇴화된 해밀토니안 시스템 모두에서 작동합니다. 이는 관측 변수가 자율적인 진화 방정식을 갖지 않는 최적 제어 문제를 성공적으로 해결하며, 이는 표준 Neural ODE 및 DeepONet이 실패하는 시나리오입니다.
기계 정밀도 보존: 아키텍처는 학습 데이터나 최적화 품질에 관계없이 설계상 카시미르 불변량이 기계 정밀도로 정확하게 보존됨을 보장합니다.
이중 형식: 활성 속도-운동량 사상이 가역적인지에 따라 유연성을 제공하기 위해 해밀토니안(디코더) 및 라그랑지안(인코더) 접근 방식을 모두 제공합니다.

4. 실험 결과

방법론은 비이차 해밀토니안을 가진 세 가지 벤치마크 시스템을 통해 검증되었습니다:

일반화된 강체 (SO(3)):
- 관측 가능한 속도와 잠재 운동량 모두에 대해 거의 완벽한 장기 궤적 추적을 입증했습니다.
- 카시미르 불변량( $\|\mu\|^2$ )과 에너지를 기계 정밀도로 보존했습니다.
- 비구조 보존 베이스라인(Neural ODE, DeepONet)보다 우수한 성능을 보였으며, 베이스라인들은 빠르게 발산했습니다.
키르히호프 수중 탈것 (SE(3)):
- 회전 및 병진 모드가 결합된 시스템에서 테스트되었습니다.
- 해밀토니안 및 라그랑지안 LLPNN 모두 위상 정확도를 유지하고 두 개의 카시미르 불변량( $\|P\|^2$ 및 $J \cdot P$ )을 보존했습니다.
- 베이스라인에 비해 노이즈에 대한 탁월한 강건성을 보여주었습니다.
다중 차량 최적 제어 (SE(2) $^N$ ):
- 핵심 테스트: 퇴화된 해밀토니안(병진 운동량에 대해서는 선형적이고, 각운동량에 대해서만 비선형적임)을 가진 시스템입니다.
- 결과: 관측 가능한 속도에 대해 자율 벡터장이 존재하지 않기 때문에 표준 Neural ODE 및 DeepONet은 즉시 실패했습니다. LLPNN은 잠재 역학을 성공적으로 재구성하고 장기 궤적을 예측했습니다.
- 이 특정 퇴화 케이스에서 라그랑지안 접근 방식이 각속도에 대해 약간 더 나은 위상 정렬을 보여주었으나, 해밀토니안 접근 방식이 가장 낮은 전체 오차 증가를 달랐습니다.
- 개별 차량의 카시미르 불변량은 기계 정밀도로 보존되었습니다.

5. 의의 및 주장

본 논문은 LLPNN이 관측 가능한 데이터와 잠재적 기하 구조 사이의 간극을 메움으로써 기하학적 딥러닝의 중요한 진전을 이루었다고 주장합니다.

의의: 이 프레임워크는 대칭 축소 시스템에서의 "숨겨진 상태(hidden state)" 문제를 해결합니다. 이는 퇴화(degeneracy)로 인해 관측 변수가 닫힌 계를 형성하지 못하더라도, 근본적인 리-푸아송 구조와 알려진 대칭 군을 사용하면 관측 가능한 데이터만으로 전체 역학을 정확하게 재구성할 수 있음을 증명합니다.
강건성: 방법론은 노이즈에 강하며, 적은 양의 데이터셋과 가벼운 신경망 아키텍처만으로도 충분합니다.
한계점: 저자는 이 방법이 대칭 군 $G$ 를 사전에 알고 있다고 가정함을 명시합니다. 현재는 대칭성이 깨지는 비용 함수(축소가 불완전한 경우)나 특정 공작용 재구성 공식이 없는 일반적인 푸아송 다양체를 다루지는 않습니다.

요약하자면, 이 논문은 리-푸아송 시스템의 기하학적 제약(특히 뇌터 불변량 및 공작용)을 학습 아키텍처에 직접 내장함으로써, 표준 데이터 기반 방법으로는 다루기 힘든 복잡한 동적 시스템에 대해 정확하고 장기적인 예측을 달성할 수 있음을 확립합니다.