컴퓨터에게 친구의 얼굴을 인식하도록 가르치려 한다고 상상해 보십시오. 하지만 당신의 친구가 계속 옷을 갈아입거나, 제자리에서 빙글빙글 돌거나, 카메라에서 더 멀리 떨어져 서 있습니다. 인간에게는 당연히 동일 인물로 보이지만, 컴퓨터에게는 매번 픽셀 목록이 완전히 바뀌는 일입니다. 이것이 바로 '형태 분석(shape analysis)' 분야의 근본적인 골칫거리입니다. 이 분야는 과학자들이 기계에게 나뭇잎의 곡선부터 단백질의 뒤틀림에 이르기까지, 사물의 기하학적 구조를 이해하도록 가르치려고 노력하는 영역입니다. 가장 큰 과제는 한 형태가 회전되거나, 뒤집히거나, 늘어나더라도 컴퓨터가 그것을 동일한 것으로 인식할 수 있도록 두 형태를 비교하는 방법을 찾아내는 동시에, 아주 작고 중요한 세부 사항이 실제로 변했을 때는 이를 포착해 내는 것입니다. 이는 마치 두 곡을 비교하는 것과 같습니다. 한 곡이 더 빠르게 연주되거나 다른 조(key)로 연주되더라도 같은 멜로디라는 것을 알아내야 하지만, 동시에 틀린 음이 추가되었을 때도 그것을 들을 수 있어야 하는 것과 같습니다.

오랫동안 과학자들은 형태의 특정 '랜드마크'(코끝이나 잎의 모서리 같은 것)를 지정하여 정렬하거나, 방대한 양의 데이터로부터 패턴을 학습하는 복잡한 AI 모델을 사용하는 방식으로 이 문제를 해결하려 했습니다. 하지만 이러한 방법들에는 결함이 있습니다. 랜드마크는 자동으로 찾기가 어려울 수 있고, AI 모델은 종종 해석하거나 재현하기 어려운 '블랙박스'와 같습니다. 이 논문에서 저자들은 **푸시 포워드 변환(Push-Forward Transform, PF-T)**이라는 새로운 수학적 도구를 소개합니다. 이것을 형태를 위한 마법 같은 '보편적 번역기'라고 생각하십시오. 두 가지 서로 다른 형태를 직접 정렬하려고 노력하는 대신, 이 도구는 어떤 형태든 가져와서 표준적이고 공통된 '참조' 형태(예: 완벽한 원이나 완벽한 구) 위로 부드럽게 늘리거나 찌그러뜨려 옮깁니다. 모든 형태가 이 동일한 표준 템플릿 위에 매핑되면, 형태를 비교하는 것은 단순히 숫자 리스트 두 개를 비교하는 것만큼 쉬워집니다. 저자들은 이 방법이 매우 견고하며, 2D 그림과 3D 객체 모두에서 작동하고, 심지어 거대한 AI 모델을 먼저 학습시키지 않고도 형태가 시간에 따라 어떻게 변하는지 추적할 수 있음을 보여줍니다.

보편적 템플릿의 마법

**푸시 포워드 변환(PF-T)**의 핵심 아이디어는 단순하지만 강력합니다. 만약 당신이 서로 다르게 보이는 두 대상을 비교하고 싶다면, 그것들을 같은 방에 넣으십시오. 수학의 세계에서 그 '방'은 완벽한 단위 원(2D 형태의 경우)이나 완벽한 구(3D 형태의 경우)와 같은 공통의 참조 도메인입니다.

당신이 구겨진 종이(당신의 형태)를 가지고 있고, 다른 구겨진 종이와 비교하고 싶다고 상상해 보십시오. 매우 지저분한 작업입니다. 하지만 만약 두 조각의 종이를 모두 평평하고 표준적인 정사각형 탁자 위에 완벽하게 들어맞을 때까지 부드럽게 늘리고 펴주는 마법 같은 기계가 있다면 어떨까요? 두 조각이 모두 그 동일한 탁자 위에 평평하게 놓이게 되면, 당신은 점 단위로 비교할 수 있습니다. 만약 일치한다면 그것은 같은 형태입니다. 만약 일치하지 않는다면, 어디가 다른지 정확히 알 수 있습니다.

저자들은 이 '마법 같은 기계'(PF-T)를 사용하여 어떤 형태든 표준 참조 형태로 매핑합니다. 핵심은 이 매핑이 부드럽고 구조를 보존한다는 점입니다. 이 도구는 형태를 무작정 늘리는 것이 아니라, 기하학적 구조를 존중합니다. 형태의 일부가 날카로운 모서리라면, 그 지도는 모서리를 그대로 유지합니다. 부드러운 곡선이라면, 여전히 부드럽게 유지됩니다. 이는 우리가 형태를 비교할 때, 단순히 어떻게 늘려졌는가가 아니라 실제 기하학적 구조를 비교하도록 보장합니다.

비밀 레시피: 부호 거리 함수(Signed Distance Functions)

이 작업이 가능하게 하려면, 저자들은 형태의 윤곽선과 내부를 모두 포함하는 방식으로 형태를 기술할 방법이 필요했습니다. 그들은 **부호 거리 함수(Signed Distance Function, SDF)**라고 불리는 것을 사용했습니다.

종이 위에 그려진 형태를 상상해 보십시오. 이제 종이 위의 모든 점에 숫자가 적혀 있다고 가정합니다.

• 점이 형태의 외부에 있다면, 숫자는 음수입니다 (가장자리로부터 얼마나 떨어져 있는지).
• 점이 형태의 내부에 있다면, 숫자는 양수입니다 (가장자리로부터 얼마나 떨어져 있는지).
• 점이 가장자리에 있다면, 숫자는 0입니다.

이는 가장자리에서 0으로 떨어졌다가 다시 내부에서 올라가는, 숫자로 이루어진 부드러운 '지형(landscape)'을 만들어냅니다. 이 지형이 바로 SDF입니다. SDF는 연속적이고 부드럽기 때문에, PF-T가 필요로 하는 수학적 '늘리기' 작업에 완벽하게 적합한, 형태를 설명하는 아주 영리한 방법입니다.

저자들은 까다로운 문제 하나를 해결했습니다. 즉, 날카로운 모서리에서 SDF를 완벽하게 계산하는 것은 매우 복잡할 수 있다는 점입니다. 이를 해결하기 위해 그들은 **점성 에이코날 방정식(viscous Eikonal equation)**이라는 기술을 사용했습니다. 이것은 수학에 약간의 '점성'이나 '꿀'을 더하는 것이라고 생각하면 됩니다. 이는 날카로운 모서리를 필수적인 형태 정보는 잃지 않으면서도 컴퓨터가 쉽게 처리할 수 있을 만큼만 부드럽게 만들어 줍니다. 이를 통해 그들은 분석하기 쉬운, 미분 가능한 매끄러운 형태 지도를 만들 수 있습니다.

발견한 것: 형태를 보는 새로운 방법

저자들은 PF-SDM(Push-Forward Signed Distance Morphometric)이라고 부르는 새로운 방법을 다양한 과제에 적용하여 테스트했습니다. 그 결과는 다음과 같습니다.

1. 설계 단계부터 갖춰진 불변성(Invariant by Design)
가장 흥러운 발견은 이 방법이 컴퓨터를 혼란스럽게 만드는 요소들에 대해 자연스럽게 면역력을 가진다는 점입니다. PF-T가 모든 것을 표준 참조로 매핑하기 때문에, 결과적인 비교는 다음 요소들에 대해 자동으로 **불변(invariant)**합니다:

• 평행 이동(Translation): 형태를 왼쪽이나 오른쪽으로 움직이는 것.
• 회전(Rotation): 형태를 회전시키는 것.
• 반사(Reflection): 거울 이미지처럼 형태를 뒤집는 것.
• 스케일링(Scaling): 형태를 크게 하거나 작게 만드는 것.
• 재매개변수화(Re-parametrization): 형태를 수학적으로 기술하는 방식을 바꾸는 것.

합성 2D 형태(삼각형, 사각형, 꽃 등)를 이용한 실험에서, PF-SDM은 회전되거나 뒤집힌 동일한 형태들을 하나의 조밀하고 완벽한 클러스터로 묶었습니다. 랜드마크 기반 분석이나 표준 AI 모델 같은 다른 방법들은 노이즈와 회전에 의해 혼란을 겪으며 동일한 형태들을 사방으로 흩뜨려 놓았습니다.

2. 숨겨진 대칭성을 드러냄
이 방법은 단순히 "이것들은 같다"라고 말하는 데 그치지 않고, 왜 그런지를 알려줍니다. 매핑된 형태의 '스펙트럼'(노래의 음을 분석하는 것과 유사함)을 분석함으로써, 저자들은 **회전 대칭성(rotational symmetries)**을 감지할 수 있었습니다.

• 데이터에서 '전역적(global)' 정보(전체적인 크기와 둥근 정도)를 제거하면, 이 방법은 대칭성에 따라 형태를 그룹화하기 시작했습니다.
• 다섯 개의 꽃잎을 가진 꽃은 오각형과 매우 유사하게 나타났는데, 이는 둘 다 5회 대칭성을 가지고 있기 때문입니다.
• 삼각형과 육각형(둘 다 3회 대칭 성분을 가짐)도 함께 그룹화되었습니다.
  이는 이 도구가 "이 형태를 돌렸을 때 몇 번이나 똑같이 보이는가?"와 같은 특정 기하학적 특징에 집중하도록 조정될 수 있음을 의미합니다.

3. 3D 및 시간 흐름에 따른 적용
이 방법은 평면 그림에 국한되지 않습니다. 저자들은 구, 입방체, 원뿔과 같은 3D 객체에도 성공적으로 적용했습니다. 그들은 이 방법이 표면뿐만 아니라 내부 구조를 바탕으로 원뿔과 피라미드를 구분할 수 있음을 보여주었습니다.
더욱 인상적인 것은, 이 방법이 **동적인 형태(dynamic shapes)**를 추적하는 데 사용되었다는 점입니다. 저자들은 마우스 가스트룰로이드(embryo의 초기 발달을 모방하는 작은 줄기세포 집단)를 분석했습니다. 이 형태들은 성장하고 늘어나며 시간에 따라 변화합니다. PF-SDM은 이러한 변화를 추적할 수 있었으며, 육안으로 확인되기 전의 형태와 내부 패턴만을 보고도 해당 가스트룰로이드가 단일 체축을 형성할지 아니면 여러 돌출부를 형성할지를 예측할 수 있었습니다.

4. 빠르고 투명함
수천 장의 이미지를 학습해야 하고 '블랙박스'로 작용하는 많은 현대적 AI 방법들과 달리, PF-SDM은 **결정론적(deterministic)**이며 학습이 필요 없습니다(training-free).

• 결정론적: 동일한 데이터에 대해 두 번 실행하더라도 정확히 같은 결과를 얻습니다.
• 학습 불필요: 형태를 인식하기 위해 거대한 데이터셋을 학습시킬 필요가 없습니다. 수학이 그 역할을 수행합니다.
• 빠름: 테스트에서 PF-SDM은 처음부터 학습해야 하는 딥러닝 모델보다 수십 배 더 빨랐습니다. 예를 들어, 1,400개의 형태가 있는 데이터셋에서 PF-SDM은 약 6분 정도 소요되었지만, 딥러닝 모델은 10시간 이상이 걸렸습니다.

이것이 왜 중요한가

저자들은 이 프레임워크가 형태와 그 내부의 신호를 비교하기 위한 "통합된 수학적 공식"을 제공한다고 주장합니다. 세포의 형태를 보든, 세포 내부의 화학적 신호 강도를 보든, 혹은 생물학적 구조가 시간에 따라 어떻게 성장하는지를 보든, PF-T는 이 모든 것을 분석할 수 있는 단일하고 일관된 방법을 제공합니다.

그들은 형태, 내부 '골격'(medial axis), 그리고 강도 신호를 결합함으로써 생물학적 결과를 높은 정확도로 예측할 수 있음을 보여주었습니다. 마우스 가스트룰로이드의 경우, 결합된 접근 방식이 이전 방법들보다 예측 정확도를 향상시켰습니다.

이 논문은 결론적으로, 현재 이 방법이 위상학적으로 단순한 형태(구 또는 원판과 같은)에 가장 잘 작동하지만, 형태 분석의 새로운 시대를 열어준다고 밝힙니다. 이는 견고하고 해석 가능하며 빠른 도구로서, 오늘 이 분야를 지배하고 있는 '블랙박스' AI 모델에 대한 명확한 대안을 제시합니다. 이는 때때로 복잡한 형태를 이해하는 최선의 방법은 신경망에 더 많은 데이터를 던져주는 것이 아니라, 그것을 바라보는 더 나은 수학적 방법을 찾는 것임을 시사합니다.