Predictive Holonomy and Minimal Completion of Coarse Dynamics

복잡계 연구에서, 유체의 소용돌이치는 움직임부터 뉴런의 발화 패턴에 이르기까지, 과학자들은 종종 근본적인 딜레마에 직면한다. 즉, 전체 그림이 너무 방대하여 한 번에 담아낼 수 없다는 것이다. 세상을 이해하기 위해 그들은 수많은 미세한 세부 사항들을 몇 개의 관리 가능한 변수로 묶어 단순화해야 한다. '거친 입자화(coarse-graining)'라고 알려진 이 과정은 모든 나무를 하나하나 보는 대신 숲을 바라보는 기술이다. 그러나 이 접근 방식에는 지속적인 문제가 존재한다. 과학자들이 시스템을 단순화한 뒤 오직 그 단순화된 변수들만을 바탕으로 미래를 예측하려고 할 때, 그 예측은 종종 현실에서 벗어나 표류하게 된다. 단순화된 모델은 스스로 진화하지 못하며, 외부로부터의 끊임없는 교정을 필요로 한다. 수십 년 동안 이러한 표류는 모델의 결함, 즉 근사가 충분히 정교하지 못하다는 신호로 취급되어 왔다. 지배적인 견해는 충분히 기다리거나 충분히 정교하게 평균을 내면 오류가 완만해질 것이라는 것이었다.

하지만 만약 그 표류가 실수가 아니라면 어떨까? 만약 그 오류 자체가 하나의 메시지라면 어떨까? 새로운 연구 흐름은 단순화된 모델이 미래를 올바르게 예측하는 데 실패할 때, 그 실패가 무작위적인 노이즈가 아니라고 제안한다. 대신, 예측이 잘못되는 특정한 방식은 뒤에 남겨진 정보가 정확히 무엇인지에 대한 정밀한 지도를 담고 있다. 불일치는 버그가 아니라, 누락된 상태에 대한 경계 측정값이다. 이 실패의 패턴을 분석함으로써, 연구자들은 버려진 숨겨진 변수들을 재구성하여, 부서진 근사치를 완전하고 자기 완결적인 시스템 기술로 바꿀 수 있다.

이것이 러시아 오렌부르크에 기반을 둔 독립 연구자 막심 V. 추릴로프(Maxim V. Churilov)의 최근 연구의 핵심 발견이다. 이 연구는 단순화된 시스템을 다시 완벽하게 작동하게 만들기 위해 무엇을 추가해야 하는가라는 질문을 다룬다. 수천 개의 움직이는 부품이 있는 복잡한 기계를 가지고 있지만, 당신이 관찰할 수 있는 것이 두 개의 커다란 기어 위치뿐이라고 상상해 보라. 그 두 개의 기어만을 사용하여 기계의 행동을 예측하려 한다면, 당신의 예측은 결국 현실에서 벗어나게 될 것이다. 왜냐하면 그 기어들이 보이지 않는 수천 개의 내부 구성 요소들에 의해 영향을 받기 때문이다. 논문은 이러한 발산의 속도와 패턴이 임의적인 것이 아님을 입증한다. 그것들은 수학적으로 회복 가능한 숨겨진 내부 구조에 의해 결정된다. 저자는 시스템의 '기억'—보이지 않는 부분들의 잔류 영향—이 실제로 모델을 고치기 위해 얼마나 많은 숨겨진 변수가 필요한지를 밝혀내는 측정 가능한 양임을 보여준다.

연구진은 관측 가능한 데이터만을 사용하여 이 숨겨진 정보를 추출하는 방법을 개발했다. 그들은 매우 짧은 시간 동안 단순화된 시스템이 어떻게 행동하는지 관찰하는 것부터 시작한다. 이 짧은 순간 동안 시스템의 상태가 어떻게 변화하는지를 측정함으로써, 그들은 일련의 '메모리 제트(memory jets)'를 계산할 수 있다. 이것들은 물리적인 물이나 공기의 제트가 아니라, 시스템의 과거가 현재의 즉각적인 미래에 어떻게 영향을 미치는지에 대한 수학적 스냅샷이다. 이 스냅샷들의 처음 몇 개는 숨겨진 부분이 얼마나 깊이 묻혀 있는지를 연구자들에게 알려준다. 만약 시스템이 자신의 이력에 즉각적으로 반응한다면, 숨겨진 부분은 표면에 가까이 있는 것이다. 만약 시스템이 과거의 영향을 나타내는 데 시간이 걸린다면, 숨겨진 부분은 더 깊은 곳에 있는 것이다. 논문은 숨겨진 영향이 나타나는 바로 그 첫 번째 순간이 시간이 흐름에 따라 오류가 어떻게 성장하는지에 대한 특정 규칙을 설정하며, 이는 누락된 정보의 지문 역할을 한다는 것을 증명한다.

일단 이 메모리 스냅샷들이 회복되면, 다음 단계는 시스템을 다시 온전하게 만드는 데 필요한 숨겨진 변수의 개수를 결정하는 것이다. 연구진은 행켈 연산자(Hankel operator)라고 불리는 도구를 사용하는데, 이는 모든 메모리 스냅샷을 구조화된 패턴으로 정리하는 거대한 격자라고 생각할 수 있다. 이 격자에서 독립적인 패턴의 개수를 세는 데 통해, 그들은 시스템을 닫는 데 필요한 최소한의 숨겨진 좌표 개수를 정확히 결정할 수 있다. 이 숫자는 추정치가 아니라 정밀한 계수이다. 만약 격자가 세 개의 독립적인 패턴을 보여준다면, 부서지고 표류하는 모델을 완벽하고 자립적인 모델로 바꾸기 위해 정확히 세 개의 숨겨진 변수가 필요하고 충분하다는 뜻이다. 논문은 이 새로운 완전한 모델을 구축하는 건설적인 레시피를 제공하며, 외부의 도움 없이도 시스템이 올바르게 진화하도록 이 숨겨진 변수들을 어떻게 배치해야 하는지 보여준다.

이 이론이 작동함을 증명하기 위해, 저자는 무작위 과정의 단순한 수학적 모델을 사용하여 몇 가지 구체적인 사례를 구성했다. 한 가지 경우, 단일 숨겨진 변수를 가진 시스템은 오류가 시간의 4제곱에 비례하여 성장하는 특정한 방식으로 실패함을 보여주었다. 또 다른 예로, 두 개의 숨겨진 변수가 필요한 시스템은 오류가 시간의 6제곱으로 성장하며 실패했고, 세 개의 숨겨진 변수를 가진 세 번째 예시는 오류가 8제곱으로 성장함을 보여주었다. 이러한 결과들은 높은 정밀도로 검증되었으며, 실패의 패턴이 숨겨진 구조의 직접적이고 신뢰할 수 있는 지표임을 확인시켜 주었다. 또한 연구는 이 방법이 데이터에 노이즈가 있는 상황에서도 작동함을 보여주어, 실제 숨겨진 구조와 무작위 측정 오차를 구별할 수 있는 방법을 제시했다.

이 작업의 함의는 단순히 부서진 모델을 고치는 것을 넘어선다. 그것은 과학자들이 '상태(state)'의 본질을 생각하는 방식을 바꾼다. 전통적인 물리학에서 상태는 흔로 우리가 측정하기로 선택한 변수들에 의해 정의된다. 이 논문은 진정한 상태란 미래를 예측하는 데 필요한 것에 의해 정의된다고 주장한다. 만약 어떤 변수 집합이 도움 없이 미래를 예측할 수 없다면, 그 상태는 불완전한 것이다. 누락된 조각들은 단순히 알려지지 않은 세부 사항이 아니라, 예측의 실패로부터 재구성될 수 있는 구체적이고 셀 수 있는 숨겨진 좌표들의 집합이다. 이는 단순화의 문제를 완전히 뒤집는다. 어떤 변수를 유지할 것인가를 묻는 대신, 선택한 변수들이 충분하도록 설명을 어떻게 완성할 것인가를 묻게 되는 것이다.

또한 이 연구는 두 가지 서로 다른 유형의 완성을 명확히 구분한다. 하나는 방정식이 작동하게 만드는 수학적 수정으로, 이는 음수 값을 갖거나 비물리적인 특성을 가질 수 있는 변수를 포함할 수 있다. 다른 하나는 숨겨진 변수들이 실제 확률처럼 양수이고 합이 1이 되도록 요구하는 물리적 수정이다. 논문은 수학적 수정은 항상 가능하고 유일하지만, 물리적 수정은 훨씬 더 많은 숨겨된 변수를 필요로 할 수도 있음을 보여준다. 이러한 구분은 단순화된 모델이 진정으로 물리적 실재를 나타낼 수 있는지 이해하는 데 매우 중요하다. 이 작업은 모델이 완전한지를 테스트하는 엄격한 방법을 제공하며, 연구자들에게 그들의 세계에 대한 설명이 온전해지기 위해 얼마나 많은 숨겨진 차원이 필요한지를 알려주는 확신의 인증서를 제공한다.

궁극적으로, 이 연구는 복잡한 세상과 우리의 단순화된 이해 사이의 간극을 바라보는 새로운 시각을 제공한다. 그것은 우리가 모델에서 범하는 오류가 단순한 근사의 실패가 아니라, 풍부한 정보의 원천이라고 제안한다. 모델이 무너지는 방식은 그것이 무엇을 놓치고 있는지를 정확히 말해준다. 그 실패의 특정한 언어에 귀를 기울임으로써, 과학자들은 숨겨진 메커니즘을 재구성하여, 거칠고 불완전한 그림을 정밀하고 자율적인 그림으로 바꿀 수 있다. 한때 평균화하여 없애버려야 할 골칫거리로 여겨졌던 과거의 기억은, 이제 현재의 전체 상태를 여는 열쇠임이 드러났다.