Asymptotics-guided learning and symbolic regression for dispersive resonances

빛과 물질의 세계에서, 특정 물체들은 특정한 색의 빛과 특별한 관계를 맺습니다. 적절한 성질을 가진 아주 작은 입자에 빛의 줄기가 부딪힐 때, 그 입자는 그 빛을 붙잡아 격렬하게 진동하며 에너지를 머금었다가 방출할 수 있습니다. 이 현상을 공명이라고 합니다. 이것이 가수가 단 하나의 음조로 와인 잔을 깨뜨릴 수 있는 이유이거나, 라디오가 다른 모든 방송국은 무시하고 오직 한 채널만을 잡아내는 이유입니다. 나노기술의 미시적 영역에서 엔지니어들은 초정밀 의료 센서부터 더 효율적인 태양광 패널에 이르기까지 모든 것을 활용하기 위해 이러한 공명을 이용하도록 미세한 구조물을 설계합니다. 그러나 어떤 주파수의 빛이 특정 재료의 진동을 유발할지 정확히 예측하는 것은 악명 높게 어려운 수학적 난제입니다. 재료는 부딪히는 빛에 따라 그 특성이 변하는 경우가 많아, 표준 공식으로는 매핑하기 어려운 복잡하고 변화무쌍한 지형을 만들어내기 때문입니다.

연구팀은 두 세계의 장점을 결합하여 이 문제를 해결하는 새로운 방법을 개발했습니다. 바로 고전 물리학의 엄격한 논리와 현대 인공지능의 패턴 탐색 능력을 결합하는 것입니다. 컴퓨터에게 처음부터 정답을 추측하도록 가르치는 대신, 그들은 신뢰할 수 있는 수학적 근사치를 시작점으로 사용한 뒤, 그 근사치가 범하는 작은 실수만을 학습하도록 컴퓨터를 가르쳤습니다. 전체 그림보다는 무엇이 빠져 있는가에 집중함으로써, 그들은 매우 정확하면서도 인간이 읽고 이해하기 쉬운 예측을 만들어낼 수 있었습니다. 그들의 작업은 물리적 직관이라는 올바른 방향으로 머신러닝 시스템을 안내할 때, 기계가 복잡한 데이터 속에 숨겨진 단순하고 우아한 규칙을 찾아낼 수 있음을 보여줍니다.

연구진은 빛의 색에 따라 물질의 상호작용 방식이 변하는 분산 매질(dispersive medium)이라 불리는 특정 유형의 재료에 집중했습니다. 이러한 물질에서 공명 주파수를 찾는 것은, 답을 하려고 할 때마다 게임의 규칙이 바뀌는 수수께끼를 푸는 것과 같습니다. 수십 년 동안 과학자들은 특정 조건이 충족된다고 가정하여 복잡한 방정식을 단순화하는 방법인 점근 분석(asymptotic analysis)을 사용하여 이러한 주파수의 대략적인 추정치를 얻어왔습니다. 이 방법은 물체가 빛의 파장에 비해 매우 작을 때는 잘 작동하지만, 물체가 약간 더 커지거나 조건이 더 복잡해지면 추정치가 실제와 멀어지기 시작합니다. 이를 해결하기 위한 전통적인 방식은 점점 더 복잡한 항들을 계산하는 것이었지만, 이러한 계산은 빠르게 다루기 힘들고 복잡해져 실제 설계에 사용하기 어려워집니다.

이 간극을 메우기 위해 연구팀은 수학적 근사치를 최종 답이 아닌 기준점(baseline)으로 취급하기로 했습니다. 그들은 매우 정확한 컴퓨터 시뮬레이션을 통한 공명 주파수를 '진실'로 삼고, 이를 표준 공식이 제공하는 거친 추정치와 비교했습니다. 이 둘 사이의 차이를 잔차(residual)라고 부릅니다. 거대한 불투명한 인공지능을 훈련시켜 재료의 크기와 공명 주파수 사이의 전체 관계를 배우게 하는 대신, 그들은 훨씬 더 단순한 시스템을 사용하여 오직 이 작은 차이만을 배우도록 훈련했습니다. 이는 기본 규칙은 이미 알고 있지만 전문가들이 승리하기 위해 사용하는 특수한 기술을 배울 필요가 있는 학생과 같습니다. 컴퓨터의 역할은 물리학 법칙을 재발견하는 것이 아니라, 표준 법칙이 놓친 미묘한 보정치를 배우는 것이었습니다.

성공의 핵심은 문제를 컴퓨터에게 설명하는 방식에 있었습니다. 입자의 크기나 감쇠량 같은 가공되지 않은 숫자들을 입력하는 대신, 그들은 거친 추정치를 제공했던 바로 그 수학적 이론에서 유도된 특징(features)들을 제공했습니다. 그들은 입자의 크기와 주파수의 로그 값을 포함하는 항처럼, 이론이 중요하다고 제안한 특정 숫자들의 조합을 포함했습니다. "점근 가이드 학습(asymptotics-guided learning)"이라 부르는 이 접근 방식은 컴퓨터가 올바른 곳에서 패턴을 찾도록 보장했습니다. 연구진이 단일 미세 공진기에 이 방법을 테스트했을 때 결과는 놀라웠습니다. 표준 근사치는 약 1,000분의 1의 오차율을 보였으나, 보정된 모델은 그 오차를 1,000만 분의 1 미만으로 줄였습니다. 컴퓨터는 기존 공식의 실수를 믿기 힘들 정도의 정밀도로 수정하는 데 성공했습니다.

연구팀은 그다음으로 더 어려운 과제인, 서로 가까이 배치되어 '다이머(dimer)'라고 불리는 한 쌍의 공진기를 다루었습니다. 두 물체가 가까이 있으면 서로 상호작용하여 하나의 공명 주파수 대신 두 개의 뚜렷한 공명 주파수를 만들어냅니다. 이 상호작용은 한 물체의 행동이 이웃한 물체에 의존하기 때문에 수학적으로 훨씬 더 복잡하게 만듭니다. 연구진은 여기서도 동일한 전략을 적용하여, 쌍에 대한 거친 추정치를 사용하고 남은 오차를 학습하도록 컴퓨터를 훈련했습니다. 시스템은 잘 작동했으며, 두 공명 주파수에 대한 예측 정확도를 크게 향arly 개선했습니다. 이 결합된 시스템에서도 방법이 작동했다는 사실은, 그 밑바탕이 되는 논리가 단순하고 고립된 물체뿐만 아니라 상호작용의 추가된 복잡성까지 처리할 수 있을 만큼 견고하다는 것을 시사했습니다.

이 발견에서 가장 놀라운 부분은 연구진이 컴퓨터에게 자신의 보정치를 설명하도록 요청했을 때 일어난 일이었습니다. 그들은 단순히 수치적인 답을 주는 것이 아니라 데이터에 적합한 간단한 수학적 공식을 찾는 기법인 심볼릭 회귀(symbolic regression)를 사용했습니다. 컴퓨터는 아무도 이해할 수 없는 '블랙박스' 알고리즘을 만들어내지 않았습니다. 대신, 물리학자가 직접 써 내려갈 법한 형태의 압축되고 읽기 쉬운 공식들을 만들어냈습니다. 이 공식들은 보정치가 연구진이 예상했던 것과 동일한 물리적 척도에 의존한다는 것을 보여주었으며, 이는 컴퓨터가 문제의 올바른 물리적 구조를 학습했음을 확인시켜 주었습니다. 결과물인 방정식들은 종이 한 장에 적을 수 있을 정도로 간단하면서도, 시스템의 복잡한 거동을 높은 충실도로 포착해 냈습니다.

결과의 견고함을 보장하기 위해 연구팀은 다양한 조건에서 시스템이 어떻게 버티는지 여러 테스트를 수행했습니다. 그들은 훈련 세트에서 특정 유형의 정보를 제거하여 결과가 특정 데이터에 의한 우연인지 확인했습니다. 그 결과, 시스템은 연구진이 설계한 특정 물리 기반 특징들이 주어졌을 때만 잘 작동했으며, 이론적 맥락 없이 가공되지 않은 숫자만 주어졌을 때는 정확도가 크게 떨어졌습니다. 이는 개선이 단순히 더 많은 데이터를 컴퓨터에 입력했기 때문이 아니라, 지능적인 특징 설계로부터 왔음을 증명했습니다. 또한 연구진은 실제 측정에서 발생할 수 있는 오류를 시뮬레이션한 노이즈가 섞인 데이터로 시스템을 테스트했으며, 노이즈가 너무 압도적이지 않는 한 방법론이 안정적으로 유지됨을 확인했습니다.

연구는 또한 물체가 약간 더 크거나 재료의 손실이 이상적인 시나리오보다 더 큰 경우에 시스템이 어떻게 작동하는지도 탐구했습니다. 컴퓨터가 훈련 과정에서 보지 못한 조건에 대해 행동을 예측해야 하는 이러한 "분포 외(out-of-distribution)" 테스트에서도, 보정된 모델은 표준 근사치를 큰 차이로 앞질렀습니다. 이는 학습된 보정치가 단순히 특정 사례를 암기하는 것이 아니라, 시스템이 어떻게 행동하는지에 대한 더 깊고 일반적인 규칙을 포착하고 있음을 시사합니다. 연구진은 심볼릭 회귀에 알려진 이론적 보정치를 힌트로 추가했을 때도 컴퓨터가 이를 더욱 정교하게 다듬을 수 있음을 발견했으며, 이는 남은 오차들 역시 이론이 예측한 것과 동일한 물리적 척도에 의해 지배된다는 것을 의미합니다.

이 연구는 물리학 법칙이 이미 잘 알려져 있지만 적용하기는 어려운 분야에서 과학자들이 인공지능을 어떻게 사용할 수 있는지에 대한 새로운 청사진을 제시합니다. 인간의 지식을 디지털 블랙박스로 대체하는 대신, 연구진은 머신러닝을 통해 인간 지식의 빈틈을 메울 수 있다는 것을 보여주었습니다. 물리적 직관을 통해 학습 과정을 안내함으로써, 그들은 매우 정확하면서도 완전히 해석 가능한 도구를 만들어냈습니다. 그 결과물은 엔지니어가 모든 새로운 설계마다 비용이 많이 들고 시간이 오래 걸리는 컴퓨터 시뮬레이션을 실행할 필요 없이, 더 나은 광학 장치, 센서 및 재료를 설계하는 데 사용할 수 있는 간단한 공식들입니다. 이 연구는 과학적 발견의 미래가 이론과 데이터 중 하나를 선택하는 데 있는 것이 아니라, 이 둘을 너무나 긴밀하게 엮어서 서로 구별할 수 없게 만드는 데 있음을 보여줍니다.