당신이 내일 복잡한 기계가 어떻게 움직일지 예측하려고 한다고 상상해 보십시오. 모든 기어와 스프링을 계산하는 초정밀 컴퓨터 시뮬레이션을 구축할 수도 있지만, 그 작업은 시간이 너무 오래 걸리고 배터리를 모두 소모해 버립니다. 또는, 빠르게 정답을 추측하는 "블랙박스" AI를 사용할 수도 있지만, 그것이 어떻게 답을 찾아냈는지 알 수 없기에 그것이 거짓말을 하고 있는지 아니면 단순히 운이 좋았던 것인지 알 수 없습니다. 과학자들은 제3의 옵션을 원합니다. 바로 실행하기 빠르고, 읽기 쉬우며, 물리학 법칙에 따라 실제로 말이 되는 단순하고 명확한 규칙(마치 레시피와 같은)입니다. 이것이 "심볼릭 디스커버리(symbolic discovery)"의 성배입니다. 즉, 흔들리는 진자부터 소용돌이치는 날씨 패턴에 이르기까지, 사물이 어떻게 움직이는지를 지배하는 숨겨진 수학 방정식을 찾아내는 것입니다. 문제는 AI가 패턴을 포착하는 데는 뛰어나지만, 한 순간에는 그럴싸해 보여도 다음 순간에는 무너져 버리는 규칙을 환각(hallucinate)처럼 만들어내곤 한다는 점입니다.

이 논문은 이 문제를 해결하기 위한 영리하고 새로운 방법인 "검증기 유도 모델 발견(Verifier-Guided Model Discovery)"을 소개합니다. 이것을 마치 로봇 심사위원(사전 학습된 AI)이 시스템의 움직임을 설명하는 수백 개의 잠재적 방정식을 생성하는 오디션 프로그램이라고 생각하십시오. 가장 인상적으로 들리는 방정식을 단순히 고르는 대신, 엄격한 "검증기(verifiers)" 팀이 안전 검사관 역할을 합니다. 이들은 각 후보 방정식을 가져와 일련의 엄격한 테스트를 거치게 합니다. 이 시스템이 안정적인가? 적절한 속도로 계속 흔들리는가? 물리학 법칙을 어기는가? 이 모든 테스트를 통과한 방정식만이 살아남습니다. 저자들은 이 방법을 매우 다른 두 가지 문제에 적용했습니다. 먼저, 그들은 이 방법이 표준적인 AI 방식보다 훨씬 더 신뢰할도 높은 방정식을 찾아낸 '반 데르 폴 진동자(Van der Pol oscillator)'라는 고전적인 흔들림 시스템에 적용했습니다. 그런 다음, 훨씬 더 어려운 과제인 바람이 실린더(예: 굴뚝이나 교량 기둥)를 지나갈 때 발생하는 소용돌이 현상인 "와류 방출(vortex shedding)"을 다루었습니다. 유체 시뮬레이션의 방대한 데이터를 몇 가지 핵심 숫자로 줄임으로써, 그들의 검증기 유도 시스템은 단 하나의 풍속뿐만 아니라 한 번도 본 적 없는 다양한 풍속 범위에서도 소용돌이 운동을 예측할 수 있는 단순한 방정식 세트를 성공적으로 발견했습니다. 결과적으로 이 방법은 "블랙박스" AI의 추측을 투명하고, 감사 가능하며, 물리적으로 신뢰할 수 있는 모델로 변화시킵니다.

문제점: "블랙박스" 추측 게임

물리학과 공학의 세계에서 사물의 움직임을 예측하는 것은 매우 중요합니다. 더 안전한 자동차를 설계하거나, 폭풍을 예측하거나, 우주 공간의 플라즈마 흐름을 이해하든 간에, 우리는 빠르면서도 신뢰할 수 있는 모델이 필요합니다. 전통적인 고충실도(high-fidelity) 시뮬레이션은 해변의 조수 간만의 차를 예측하기 위해 모래알 하나하나를 세려는 것과 같습니다. 매우 정확하지만 너무 느리고 비용이 많이 들어서 빠른 결정을 내릴 때는 사용하기 불가능한 경우가 많습니다.

반면에 현대의 머신러닝은 "대리 모델(surrogates)"이라 불리는 빠른 AI 모델을 제공합니다. 하지만 이들은 종-종 "블랙박스"입니다. 데이터를 입력하면 예측값을 내놓지만, 그 내부의 수학적 원리는 볼 수 없습니다. 학습한 데이터에 대해서는 완벽하게 작동할 수 있지만, 약간 다른 것을 예측하라고 요청하면 잘못된 패턴을 학습했거나 실제 자연에는 존재하지 않는 규칙을 만들어냈기 때문에 처참하게 실패할 수 있습니다.

과학자들은 AI를 사용하여 "심볼릭(symbolic)" 모델, 즉 시스템을 설명하는 명시적인 수학 방정식(예: $F = ma$)을 찾으려고 노력해 왔습니다. 만약 AI가 방정식을 써낼 수 있다면, 인간이 그것을 읽고, 확인하고, 신뢰할 수 있다는 아이디어입니다. 그러나 함정이 있습니다. 합성된 가짜 데이터로 훈련된 AI 모델은 실제의 복잡하고 무질서한 물리 데이터에 그 규칙을 적용하려고 할 때 어려움을 겪는 경우가 많습니다. 특정 순간에는 맞는 것처럼 보이는 방정식을 생성할 수 있지만, 조건이 변하면 무너져 버릴 수 있습니다.

해결책: "검증기 유도(Verifier-Guided)" 워크플로우

이 논문의 저자인 파보드 파라지(Farbod Faraji)와 프란체스코 벨라디넬리(Francesco Belardinelli)는 검증기 유도(VG) 모델 발견이라고 부르는 해결책을 제안합니다. 그들은 ODEFormer라는 사전 학습된 AI 도구를 "백본(backbone)"으로 사용합니다. ODEFormer를 수백만 권의 수학 교과서를 읽어서 시스템이 어떻게 움직일 수 있는지에 대한 수많은 가능한 방정식을 즉각적으로 생성할 수 있는 창의적인 작가라고 생각하십시오.

기존 방식에서는 현재 가지고 있는 데이터와 가장 잘 맞는 방정식을 단순히 선택했습니다. 하지만 저자들은 이것이 위험하다는 것을 깨달았습니다. 대신, 그들은 ODEFormer가 다양한 시나리오(서로 다른 시작점이나 조건)로부터 방대한 후보 방정식 풀을 생성하도록 하는 워크플로우를 구축했습니다. 그런 다음, "검증기"들이 개입합니다.

이 검증기들은 엄격한 안전 검사관과 같습니다. 그들은 단순히 방정식이 데이터에 얼마나 잘 부합하는지만 보는 것이 아니라, 방정식이 시간이 흐름에 따라 어떻게 행동하는지 확인하기 위해 방정식을 앞으로 실행(이 과정을 "롤아웃(rollout)"이라고 합니다)해 봅니다. 그들은 다음을 확인합니다:

1. 안정성: 시스템이 폭발하거나 무한대로 발산하는가?
2. 물리적 적합성: 시스템의 기본 규칙(예: 에너지를 유지하거나 특정 리듬을 유지하는 것)을 준수하는가?
3. 일관성: 학습한 특정 상황뿐만 아니라 모든 서로 다른 시작 조건에 대해 작동하는가?

모든 테스트를 통과한 방정식만이 남게 됩니다. 최종 모델은 단순히 데이터를 잘 맞추는 것뿐만 아니라, 이 엄격한 "스트레스 테스트"에서 살아남은 모델입니다.

실험: 진자에서 소용돌이치는 바람까지

연구팀은 이 방법이 정말 효과가 있는지 확인하기 위해 매우 다른 두 가지 과제에 테스트를 진행했습니다.

1. 반 데르 폴 진동자 (단순 테스트)
첫째, 그들은 반 데르 폴 진동자라고 불리는 고전적인 물리학 문제를 사용했습니다. 이는 앞뒤로 흔들리는 시스템이지만, 큰 충격을 받든 작은 충격을 받든 일정하게 흔들리도록 유지하는 메커니즘이 내장되어 있다는 점이 특징입니다. 이미 "진짜" 방정식을 알고 있기 때문에 완벽한 테스트가 됩니다.

그들은 검증기 유도(VG) 방식과 표준적인 ODEFormer 사용 방식을 비교했습니다. 표준 방식은 단 하나의 흔들림을 기반으로 방정식을 찾으려 했습니다. 반면 VG 방식은 서로 다른 곳에서 시작하는 많은 흔들림을 살펴보았습니다.

• 결과: VG 방식이 명확한 승자였습니다. 새로운 시작점에서 모델을 테스트했을 때, 표준 방식은 흔들림이 제멋대로 움직이거나 멈추는 등 자주 실패했습니다. 그러나 VG 방식은 모든 조건에서 안정적이고 정확하게 유지되는 방정식을 찾아냈습니다. 이는 여러 시나리오를 확인하는 것이 단순히 하나에 맞추는 것보다 낫다는 것을 입증하며, 물리적 구조를 성공적으로 복구했음을 보여줍니다.

2. 실린더를 지나는 유동 (실제 세계의 도전)
다음으로, 그들은 훨씬 더 어려운 유체 역학으로 넘어갔습니다. 원형 기둥(예: 교량 기둥) 옆으로 바람이 불 때를 상상해 보십시오. 기둥 뒤쪽에서는 공기가 매끄럽게 흐르지 않고, "폰 카르만 와류(von Kármán vortex street)"라고 불리는 교차하는 소용돌이 패턴을 그리며 휘몰아칩니다. 이 현상은 공학적으로 매우 중요한데, 바람이 너무 강해지면 이러한 소용돌이 힘이 다리나 건물을 흔들어 파괴할 수 있기 때문입니다.

이 공기 흐름을 시뮬레이션하려면 매 순간 공간의 60,000개 지점에 대한 거대한 방정식을 풀어야 합니다. 전체를 설명하는 단순한 방정식을 찾기에는 너무 복잡합니다. 따라서 연구팀은 먼저 이 방대한 데이터를 주요 움직임을 포착하는 몇 가지 핵심 숫자(좌표)로 "압축"하는 기술을 사용했습니다. 그런 다음, 이 몇 가지 숫자에 대한 방정식을 찾도록 VG 워크플フロー를 가동했습니다.

• 고정 속도 테스트: 먼저 단일 풍속(레이놀즈 수 300)에서 테스트했습니다. 시스템은 소용돌이 운동을 설명하는 방정식 세트를 성공적으로 발견했습니다. 이는 소용돌이의 주요 "박자"뿐만 아니라 더 빠른 "고조파(harmonics, 흐름의 음악적 화음 중 높은 음)"까지도 찾아냈습니다. 결정적으로, 이 과정에서 유체 방정식 라이브러리를 사용하거나 방정식이 어떤 형태여야 한다고 알려주지 않고도, 데이터와 검증기만으로 이를 스스로 알아냈습니다.
• 변화하는 속도 테스트: 진짜 마법은 시스템에 다른 풍속을 처리하도록 요청했을 때 일어났습니다. 그들은 다양한 속도(150에서 450 사이)에 대해 학습시킨 후, 한 번도 본 적 없는 속도(175, 275, 425, 심지어 500)에서 어떤 일이 일어날지 예측하도록 했습니다.
  • 결과: 모델은 놀라울 정도로 잘 작동했습니다. 시스템은 풍속을 변수로 포함하는 단일 방정식 세트를 찾아냈습니다. 학습 시 사용되지 않은 속도에서 테스트했을 때, 모델은 소용돌이 운동을 성공적으로 예측했습니다. 심지어 학습 범위를 벗어난 가장 높은 속도(500)에서도 모델은 무너지지 않고 소용돌이 패턴을 온전히 유지했습니다.
  • 핵심 통찰: 저자들은 단순히 데이터에 대한 좋은 "그림"(재구성 충실도)을 갖는 것만으로는 충분하지 않다는 것을 발견했습니다. 데이터에는 완벽해 보이지만 근본적인 수학적 구조가 불안정하여 검증기를 통과하지 못하는 모델들이 있었습니다. 검증기는 실제로 '발견 가능'하고 물리적으로 타당한 모델을 찾는 데 필수적이었습니다.

이것이 의미하는 바

이 논문은 모든 물리 문제를 해결했다고 주장하는 것이 아닙니다. 저자들은 이 방법이 데이터가 몇 가지 숫자로 압축될 수 있고, 그 숫자들이 어느 정도 예측 가능한 방식으로 행동할 때 가장 잘 작동한다는 점을 분명히 밝히고 있습니다. 시스템이 너무 혼돈스럽거나, "압축된" 데이터가 중요한 숨겨진 세부 사항을 놓친다면 이 방법은 어려움을 겪을 수 있습니다.

그러나 이 연구 결과는 매우 중요합니다. 창의적인 AI 생성기와 엄격한 물리적 "검증기"를 결합함으로써, 우리는 블랙박스 예측을 넘어설 수 있음을 보여줍니다. 이를 통해 우리는 다음과 같은 모델을 얻을 수 있습니다:

• 해석 가능성: 방정식을 읽고 물리학을 이해할 수 있습니다.
• 감사 가능성: 자연의 법칙을 준수하는지 확인할 수 있습니다.
• 일반화 가능성: 본 적 있는 데이터뿐만 아니라, 아직 접해보지 못한 새로운 상황에서도 작동합니다.

저자들은 이 "검증기 유도" 접근 방식이 AI를 신뢰할 수 있는 과학적 발견의 파트너로 만드는 강력한 단계이며, 복잡하고 무질서한 실제 데이터 속에 숨겨진 단순하고 우아한 규칙을 찾는 데 도움을 줄 것이라고 제안합니다. 이는 AI를 단순한 추측가에서 우리가 실제로 신뢰할 수 있는 발견자로 변화시킵니다.