Entropy production of active matter systems as indicator for computing performance

컴퓨터가 단순히 실리콘 칩 위에서 숫자를 계산하는 것을 넘어, 춤을 추며 생각하는 세상을 상상해 보십시오. 이것은 물리적 세계의 자연스럽고 혼돈스러운 움직임—예를 들어 새 떼의 움직임, 먼지의 소용돌이, 혹은 아주 작은 로봇 군집과 같은 것들—을 정보 처리에 사용하는 **물리적 컴퓨팅(physical computing)**의 영역입니다. 코드를 작성하는 대신, 당신은 물리적 시스템을 설정하고 그 시스템 자체의 물리 법칙이 힘든 일을 처리하도록 내버려 둡니다. 하지만 여기에는 함정이 있습니다. 이러한 시스템은 완벽하지 않습니다. 이들은 무질서하며, 에너지를 잃고, 무질서해지려는 우주의 자연스러운 경향에 끊임없이 맞서 싸웁니다. 이 무질서를 **엔트로피(entropy)**라고 부릅니다. 엔트로피를 우주의 "어지러움 측정기"라고 생각하십시오. 어떤 일이 일어날 때, 그것들은 대개 시작했을 때보다 더 많은 무질서(열, 소음, 무작위성)를 만들어냅니다. 과학자들은 시스템이 얼마나 많은 "무질서"를 만들어내는지와 그 시스템이 문제를 얼마나 잘 해결하는지 사이에 비밀스러운 연결 고리가 있는지 오랫동안 궁금해해 왔습니다. 시스템이 너무 질서 정연하면 지루해서 새로운 입력에 반응하지 못할 수 있습니다. 반대로 너무 혼란스러우면 생각을 담아둘 수 없는 소음 섞인 엉망진창이 될 수 있습니다. 이 분야의 성배는 바로 그 적절한 지점을 찾는 것입니다.

이 논문은 특정 유형의 물리적 컴퓨터인 **군집 레저버(swarm reservoir)**를 살펴봄으로써 이 미스터리를 파고듭니다. 200마리의 작은 자가 추진 입자(디지털 물고기 같은)가 탱크 안에서 헤엄치고 있는 학교(school)를 상상해 보십시오. 이들은 서로 밀고 당기며 속도를 맞추고 함께 모이려 노력하지만, 동시에 복잡하고 예측 불가능한 패턴(구체적으로는 유명한 혼돈 경로인 로렌츠-63 궤적)으로 그들을 쫓아다니는 '드라이버(driver)', 즉 가상의 포식자가 존재합니다. 목표는 이 군집이 드라이버가 다음에 어디로 갈지를 예측하는 법을 배울 수 있는지 확인하는 것입니다. 연구진은 이 군집의 "무질서함(엔트로피 생성)"을 측정하여 드라이버의 경로를 얼마나 잘 예측하는지 알 수 있는지 알고 싶었습니다. 그들은 답이 단순히 "더 많은 무질서가 더 나은 컴퓨팅을 의미한다"는 식의 간단한 문제가 아니라는 것을 발견했습니다. 대신, 최적의 성능은 **임계 감쇠 근처(near-critical damping)**라는 매우 구체적이고 섬세한 상태에서 나타납니다. 이 상태에서 군집은 너무 들떠 있지도(저감쇠, underdamped) 않고, 너무 둔하지도(과감쇠, overdamped) 않습니다. 핵심은 단순히 시스템이 얼마나 많은 에너지를 태우느냐가 아니라, 드라이버가 나타났을 때 얼마나 추가적인 에너지를 태우느냐에 있었습니다. 가장 뛰어난 성능을 보이는 군집은 드라이버의 존재에 가장 극적으로 반응하는 군집, 즉 드라이버가 밀어붙일 때만 열과 엔트로피의 급격한 스파이크를 만들어내고 혼자 있을 때는 비교적 차분함을 유지하는 군집이었습니다.

저자들은 200개의 입자를 가진 컴퓨터 모델을 사용하여 시뮬레이션을 수행했으며, 시스템이 어떻게 행동하는지 관찰하기 위해 500,000 타임 스텝 동안 시뮬레이션을 실행했습니다. 그들은 두 가지 주요 요소를 측정했습니다. 첫째는 군집의 내부 "위상 공간(phase space, 입자들이 움직일 수 있는 모든 방식을 설명하는 멋진 표현)"이 얼마나 수축하거나 확장하는지를 추적하는 시스템 엔트로피이며, 둘째는 군집이 주변 환경으로 얼마나 많은 에너지를 배출하는지를 측정하는 **열 흐름(heat flow)**입니다. 그들은 이 측정값들을 군집의 실제 드라이버 위치 예측 성능과 비교했습니다.

결과는 매우 흥상적이었습니다. 입자들이 빠르고 들떠 있는 "저감쇠(underdamped)" 영역에서는 드라이버가 없을 때도 많은 열을 생성하지만, 드라이버의 특정 움직임에는 잘 반응하지 못합니다. 입자들이 느리고 뻣뻣하게 움직이는 "과감쇠(overdamped)" 영역에서는 시스템이 거의 반응하지 않습니다. 하지만 임계 감쇠 근처(near-critically damped) 영역에서는 특별한 일이 일어납니다. 여기서 군집은 혼자 있을 때는 조용하고 효율적이지만, 드라이버가 쫓아오기 시작하는 순간 과부하 상태로 돌입합니다. 이 상태에서는 드라이버가 존재할 때 배출되는 열량과 내부 엔트로피의 변화가 급증합니다. 연구진은 이 "드라이버 유도형(driver-induced)" 엔트로피 및 열 흐름의 스파이크가 시스템이 사용하는 총 에너지 양보다 훨씬 더 좋은 예측 지표라는 것을 발견했습니다. 실제로 성능 지형(성능이 가장 좋은 곳을 보여주는 지도)은 드라이버가 군집에 가하는 추가적인 작업량의 지도와 거의 동일한 모습을 보였습니다.

그러나 이 논문은 이것이 마법의 탄환은 아니라는 점을 주의 깊게 언급합니다. 관계는 단순한 직선 형태가 아니라, 시스템이 스스로 존재할 때와 밀쳐질 때의 대조에 관한 것입니다. 저자들은 단순히 더 많은 에너지(work)를 주입하는 것만으로는 충분하지 않다는 것도 발견했습니다. 에너지는 군집 전체에 분산되어야 합니다. 만약 드라이버가 단 하나의 입자만을 밀어붙인다면, 힘이 널리 퍼져 있을 때만큼 시스템이 잘 학습되지 않습니다. 또한, 가장 높은 성능을 보이는 군집들은 가장 "강건(robust)"했습니다. 즉, 초기 상태가 어떠하든 동일하게 좋은 결과를 냈던 반면, 성능이 낮은 군집들은 초기 위치의 미세한 변화에도 매우 민감했습니다.

궁극적으로, 이 연구는 능동 물질(active matter)로 만들어진 물리적 컴퓨터의 경우, 높은 성능의 비결은 단순히 에너지가 넘치거나 혼돈스러운 것이 아니라는 점을 시사합니다. 핵심은 **반응성(responsiveness)**입니다. 가장 좋은 컴퓨팅 기질은 "준비된 잠재력"의 상태에 있는 것입니다. 즉, 기본적으로는 차분하지만 신호를 받는 즉시 구조화된 고엔트로피 반응을 일으키는 상태입니다. 이 "드라이버 유도형 소산(driver-induced dissipation)"은 좋은 컴퓨터의 지문 역할을 합니다. 이 논문이 완벽한 물리적 컴퓨터를 만드는 문제를 해결했다고 주장하는 것은 아니지만, 강력한 새로운 도구를 제공합니다. 즉, 시스템을 찔러보았을 때 엔트로피가 얼마나 변하는지를 측정함으로써, 끝없는 비용이 드는 훈련 테스트를 먼저 거치지 않고도 최적의 물리적 기질을 선별할 수 있다는 것입니다. 이는 물리적 컴퓨팅의 세계에서 가장 유용한 시스템은 언제 어떻게 무질서해져야 하는지를 정확히 아는 시스템이라는 이해를 향한 한 걸음입니다.