Corpus scale reassembly of fragmented bamboo slips using excavation context and latent slip properties

당신이 거대한 고대 미스터리를 풀려는 탐정이라고 상상해 보십시오. 하지만 범죄 현장 대신, 당신이 마주한 증거는 수천 개의 아주 작은 부서진 나무 막대기 더미입니다. 이것들은 단순한 막대기가 아닙니다. 이들은 고대 중국의 하드 드라이브였던 죽간(bamboo slips)으로, 제국의 법률, 세금, 그리고 사라진 제국의 비밀을 담고 있습니다. 고고학자들이 이를 발굴할 때, 대나무는 종종 축축하게 젖어 있거나 수백만 개의 날카로운 조각으로 산산조각 나 있습니다. 문제는 순서가 사라졌다는 것입니다. 역사를 읽으려면 먼저 이 조각들을 다시 붙여야 합니다.

수십 년 동안 전문가들은 이 퍼즐을 풀기 위해 조각들의 깨진 가장자리를 살펴보며, 한 조각의 들쭉날쭉한 선이 다른 조각과 완벽하게 맞물리기를 기대해 왔습니다. 마치 거대한 3차원 퍼즐처럼 말이죠. 컴퓨터는 이 과정에서 매우 능숙해져서, 어떤 조각들이 서로 어울릴지 제안하는 초고속 중매쟁이 역할을 수행하기도 합니다. 하지만 여기에는 함정이 있습니다. 컴퓨터는 '아마도' 일 것 같은 매칭 목록을 만들 수는 있지만, 전체적인 그림은 알지 못합니다. 특정 막대가 얼마나 길 수 있는지, 혹은 글을 쓴 사람이 어떤 필체를 가졌는지, 아니면 조각들이 땅속의 특정 위치에서 발견되었는지와 같은 규칙을 모릅니다. 이러한 규칙이 없다면, 컴퓨터는 실수로 두 개의 서로 다른 이야기를 하나로 붙여버려, 서류상으로는 완벽해 보이지만 실제로는 틀린 가짜 역사를 만들어낼 수 있습니다. 바로 이 지점에서 새로운 연구가 등장하여 다음과 같은 단순한 질문을 던집니다. "우리가 조각들을 하나씩 보는 것을 멈추고, 지구가 우리에게 준 모든 단서를 사용하여 전체 퍼즐을 한꺼번에 해결한다면 어떻게 될까?"

---

위대한 대나무 퍼즐: 글로벌 규칙집으로 역사를 풀다

이 연구에서 연구원인 양지에(Jie Yang)와 양웨이산(Weishan Yang)은 이 고대 죽간의 재조립을 단순히 '가장자리 맞추기' 게임이 아니라, 거대한 전역 최적화(global optimization) 문제로 다루기로 했습니다. 이렇게 생각해 보십시오. 만약 당신이 갈갈이 찢어진 책을 복원하려 한다면, 단순히 찢어진 가장자리가 일치하는 페이지를 찾기만 하지는 않을 것입니다. 당신은 또한 글꼴 크기가 같은지, 종이의 두께가 일관적인지, 그리고 그 페이지들이 다락방의 같은 상자에서 나온 것인지도 확인할 것입니다.

연구팀은 엄격하고 똑똑한 사서 역할을 하는 컴퓨터 시스템을 구축했습니다. 이 시스템은 단순히 "이 두 개의 부러진 끝부분이 닮았는가?"라고 묻는 대신, "이 조각들을 합쳤을 때, 이것이 단일한 죽간의 규칙에 부합하는가?"라고 묻습니다. 이러한 규칙들이 저자들이 말하는 '잠재적 속성(latent properties)'입니다. 여기에는 죽간의 전체 길이, 너비, 끈으로 묶기 위해 뚫었던 구멍의 위치, 심지어 고대 서기의 필체까지 포함됩니다.

그들의 아이디어를 테스트하기 위해, 연구원들은 실제의 취약한 유물을 사용하지 않았습니다(이는 너무 위험하기 때문입니다). 대신, 그들은 유명한 실물 발견 사례인 수후티(Shuihudi) 발견물을 모델로 하여 3,253개의 부서진 대나무 파편들로 이루어진 시뮬레이션 우주를 만들었습니다. 그들은 컴퓨터가 수천 년 동안 땅속에 머물며 발생하는 부패, 얼룩, 결손 등을 시뮬레이션하여 가상의 죽간들을 조각내도록 프로그래밍했습니다. 그런 다음, 새로운 '전역(global)' 시스템이 이 조각들을 다시 맞추도록 하고, 이를 기존 방식(주로 깨진 가장자리에 의존하는 방식)과 비교했습니다.

결과: 맥락이 왕이다

결과는 놀라울 정도로 명확했습니다. 깨진 가장자리를 맞추는 데만 집중하는 기존 방식은 여러 조각으로 이루어진 죽간을 완벽하게 재구성하는 데 단 **0.5%**만을 성공했습니다. 반면, '전역 규칙'을 사용한 새로운 시스템은 **33.4%**의 죽간을 온전하게 복구해 냈습니다. 이는 엄청난 도약입니다!

하지만 가장 흥兴奋스러운 발견은 단순히 새 방법이 더 효과적이었다는 점이 아니라, 왜 더 효과적이었는가 하는 점이었습니다. 연구원들은 어떤 단서가 가장 중요한지 알아보기 위해 다섯 가지 유형의 단서를 테스트했습니다:

1. 발굴 맥락(Excavation Context): 조각이 땅속 어디에서 발견되었는가.
2. 죽간 길이(Slip Length): 원래 막대의 길이가 얼마였는가.
3. 죽간 너비(Slip Width): 막대의 폭이 얼마나 넓었는가.
4. 서기의 필체(Scribal Hand): 글씨를 쓴 스타일.
5. 결속 홈(Binding Notches): 끈을 위한 구멍.

그들은 발굴 맥락이 단 하나의 가장 가치 있는 단서라는 것을 발견했습니다. 이것은 파편이 무덤의 구체적으로 어느 지점에서 나왔는지에 대한 정보입니다. 연구는 만약 두 조각이 흙 속에서 바로 옆에 있었다는 것을 안다면, 멀리 떨어진 곳에서 발견된 두 조각보다 동일한 죽간에 속할 가능성이 훨씬 높다는 것을 시사합니다. 놀랍게도, 현재 발표된 어떤 시스템도 아직 이 단서를 사용하지 않고 있습니다. 저자들은 고고학자들이 깨진 가장자리에 너무 집중하느라 이 황금 같은 정보를 수십 년 동안 방치해 왔다고 주장합니다.

왜 '전역적' 접근 방식이 승리하는가

이 연구는 죽간의 속성(길이, 필체 등)을 전체 객체를 위한 '잠재적' 또는 숨겨진 규칙으로 취급하는 것이 게임 체인저가 되었음을 보여주었습니다. 기존 방식에서는 컴퓨터가 한 번에 두 조각만을 비교하기 위해 이러한 속성을 사용하려고 노력했습니다. 이 연구는 이것이 마치 두 개의 음표만 듣고 노래 전체를 판단하려는 것과 같다고 주장합니다. 컴퓨터가 '전체 죽간은 일관된 하나의 길이와 하나의 일관된 필체를 가져야 한다'는 것을 기억하게 함으로써, 시스템은 불가능한 조합을 거부할 수 있었습니다.

예를 들어, 컴퓨터가 짧은 죽간의 조각을 긴 죽간의 조각에 붙이려고 할 때, 기존 방식은 "헤이, 가장자리가 맞는데!"라고 말할 수 있습니다. 하지만 새로운 시스템은 "잠깐, 이 두 조각은 전체 길이에 대한 수학적 계산이 맞지 않으므로 같은 막대에 속할 수 없어"라고 말합니다. 이는 서로 다른 이야기를 뒤섞어 버리는 '가짜 결합'을 방지했습니다. 이러한 잘못된 결합의 수는 2,122개에서 단 380개로 줄어들었습니다.

핵식 요점

이 연구는 고대 역사의 빗장을 푸는 열쇠가 단순히 더 좋은 카메라나 더 빠른 매칭 알고리즘을 만드는 것이 아님을 시사합니다. 그것은 우리가 퍼즐을 생각하는 방식을 바꾸는 것에 관한 것입니다. 저자들은 우리가 모든 파편을 고립된 미스터리로 취급하는 것을 멈추고, 전체 컬렉션을 하나의 제약된 시스템으로 취급해야 한다고 제안합니다.

그들은 자신들의 결과가 시뮬레이션으로부터 나왔다는 점, 즉 실제 유물을 모사한 컴퓨터 생성 데이터를 통해 테스트했다는 점을 강조합니다. 비록 아직 실험실에서 실제 물리적인 고대 죽간 더미에 적용해 보지는 않았지만, 시뮬레이션은 만약 우리가 발굴 과정에서 모든 파편의 정확한 위치를 기록하고 그 데이터를 '전역' 솔버에 입력한다면, 조각들이 심하게 손상되었더라도 죽간의 3분의 1을 완벽하게 재구성할 수 있음을 보여줍니다.

요컨대, 이 논문은 부서진 고대 책을 고치는 가장 좋은 방법은 단순히 찢어진 페이지를 보는 것이 아니라, 그 페이지들이 어디에 떨어졌는지, 책의 길이는 어떠했는지, 그리고 누가 그것을 썼는지를 동시에 기억하는 것이라고 주장합니다. 이는 때때로 미스터리를 풀기 위한 가장 강력한 도구는 돋보기가 아니라 지도라는 사실을 상기시켜 줍니다.