CHRONOS: A Causally-Constrained Architecture for Scientifically Defensible Counterfactual History

기술 요약: CHRONOS – 과학적으로 방어 가능한 반사실적 역사를 위한 인과적 제약 아키텍처

문제 정의
기존의 AI 보조 역사적 "만약에(what-if)" 시뮬레이션 제안들(예: Rafi, 2024)은 주로 상호작용적 서사의 교육적 잠재력에 초점을 맞춘 질적 수준에 머물러 왔으며, 과학적 엄밀성을 갖춘 계산 아키텍처를 구체화하지 못했다. 이러한 시스템들은 다음과 같은 다섯 가지 결정적인 방법론적 결함을 겪고 있다:

1. 인과적 일관성 결여: 이들은 형식적인 메커니즘을 통해 개입(intervention)을 모순 없이 역사적 시스템에 전파하지 못하기 때문에, 인과적으로 자의적인 서사적 유창성만을 생성한다.
2. 불확실성 표현의 부재: 이들은 확률 가중치가 부여된 그럴듯한 결과의 공간과 보정된 신뢰도를 출력하는 대신, 일반적으로 단일한 결정론적 서사를 출력한다.
3. 통합된 지식 표현의 부재: 이들은 이질적인 역사적 사실들(정치, 군사, 경제 등)을 쿼리 가능한 형식으로 연결하는 구조화된 표현(예: 시계열 지식 그래프)을 활용하지 않는다.
4. 평가 프레임워크의 부재: "AI의 통찰"을 검증 가능한 가설이 아닌 종결된 주장으로 취급하며, 인과적 타당성이나 전문가 합의를 위한 벤치마크를 갖추지 못하고 있다.
5. 제약 없는 에이전트 행동: 이들은 전략적이고 적응적인 다중 에이전트 반응을 모델링하거나, 에이전트의 행동을 알려진 역사적 제약 조건에 묶어두는 데 실패하여, 예측 불가능한 에스컬레이션 패턴(Rivera et al., 2024에서 기록됨)을 초래한다.

나아가, 반사실적 역사에 관한 문헌은 반사실적 과거에 대한 경험적 흔적의 부재와 관련하여 미해결된 인식론적 논쟁 상태에 있다. 따라서 모든 계산 시스템은 확립된 증거, 추론된 외삽, 그리고 사변적인 아키텍처 제안을 구분함으로써 이 문제를 해결해야 한다.

방법론: CHRONOS 아키텍처
본 논문은 식별된 결함들을 메우기 위해 설계된 하이브리드 아키텍처인 CHRONOS(Causal Historical Reasoning Over Networked Ontologies and Simulation)를 제안한다. 이는 6단계의 순차적/병렬적 처리 단계를 통합한다:

1. 역사적 데이터 레이어: 1차 및 2차 사료를 입력받으며, 논쟁적인 역사학을 붕괴된 사실이 아닌 분포로 표현하기 위해 출처-신뢰도 태깅(provenance-confidence tagging)을 적용한다.
2. 시계열 지식 그래프(TKG): 단순한 예측을 넘어 반사실적 쿼리(개입)를 지원하도록 확장된 12개의 연결된 도메인 하위 그래프(정치, 군사, 경제 등)를 구축한다.
3. 조립적 구조적 인과 모델(SCM): TKG를 이벤트 노드의 유향 비순환 그래프(DAG)로 매핑한다. 이는 Pearl의 do-calculus를 활용하여 "그래프 수술(graph surgery)"(개입된 노드로 들어오는 엣지를 절단)을 수행하고, 몬테카를로 방법을 통한 순방향 샘플링을 수행한다.
4. 다중 에이전트 LLM 시뮬레이션 레이어: 제도적 행위자들을 목표 스택과 일화적 기억을 가진 LLM 기반 에이전트로 인스턴스화한다. 결정적으로, 이들의 행동 공간은 SCM에 의해 제약된다: 만약 인과 그래프가 특정 행동의 전제 조건을 거짓(false)으로 표시할 경우, 에이전트는 해당 행동을 선택할 수 없다. 이는 제약 없는 LLM 워게임에서 관찰되는 "예측 불가능한 에스컬레이션" 실패 모드를 방지한다.
5. 조합 최적화 서브 솔버: MaxCut 문제로 정식화된 연합 분할(coalition-partitioning) 문제를 해결하기 위한 플러그형 모듈이다. 기본적으로 고전적 솔버를 사용하지만, 향후 하드웨어 성숙에 대비하여 양자 근사 최적화 알고리즘(QAOA) 또는 변분 양자 고유값 솔버(VQE)를 위한 조건부 인터페이스를 포함한다.
6. 설명 가능한 출력 및 감사 레이어: 신뢰도 점수, 전체 인과 경로 추적, 출처 태그, 모순 로그가 포함된 브랜치 트리(branch trees)를 생성한다.

주요 기여

1. 공식 아키텍처: 시계열 지식 그래프, 부분적 SCM, 그리고 검색 증강 다중 에이전트 LLM을 결합한 최초의 하이브리드 아키텍처 명세이다.
2. 전파 알고리즘: 이산적 역사적 이벤트 그래프에 do-calculus를 적응시키고, 명시적으로 일관성 규칙과 모순 해결을 처리하는 공식 알고리즘(CHRONOS-Propagate)을 제시한다.
3. 평가 프레임워크: "지상 참값(ground truth)"이 도메인 역사가의 합의로 대체되는 반사실적 설정에 불확실성 정량화(UQ) 지표(예: 기대 교정 오차)를 적용한 벤치마크 세트(표 4)를 제안한다.
4. 양자 유용성에 대한 정직한 평가: 양자 컴퓨팅에 대한 조건부적이고 과장되지 않은 분석을 제공한다. 본 논문은 연합 분할을 양자 최적화에 적합할 수 있는 유일한 하위 문제로 식별하였으나, 현재의 NISQ 시대 한계(바렌 플래토, 오류율 등)를 고려할 때 고전적 솔버가 여전히 유일하게 실행 가능한 옵션이라고 결론짓는다.

실험 결과 및 발견
본 논문은 실질적인 검증 가능성을 입증하기 위해 합성된 "토이(toy)" 인스턴스에서 핵심 메커니즘을 구현하고 실행하며, 조작된 실제 세계의 검증은 명시적으로 피한다.

• 인과적 전파 (9-노드 그래프): 몬테카를로 전파(20,000개 샘플) 결과, 시스템이 단일 서사가 아닌 보정된 확률 분포를 생성함을 입증했다. 그러나 모순율(raw 샘 samples에서의 논리적 불일치)이 상당했다(~30–34%), 이는 명시적인 일관성 규칙 엔진의 필요성을 강조한다.
• 양자 최적화 (6-큐비트 MaxCut): QAOA의 상태 벡터 시뮬레이션 결과, 회로 깊이가 깊어질수록 근사 비율이 개선되었으나 테스트된 깊이(p=1 to p=3) 내에서 고전적 최적값에 도달하지 못했다. 이는 고전적 힐 클라이밍(hill-climbing)이 즉각적으로 인스턴스를 해결했음을 확인시켜 주며, 근거리 양자 이점이 현재로서는 존재하지 않음을 보여준다.
• 확장된 계산 체크 (30 노드; 12 큐비트):
  • 모순율: 인과 그래프를 9개 노드에서 30개 노드로 확장했을 때, raw 모순율이 30%에서 **90%**로 급증했다. 이는 수기로 작성된 일관성 규칙이 확장되지 않음을 나타내며, 더 큰 그래프를 위해 체계적인 스키마 유도형 제약 생성 프로세스가 필요함을 시사한다.
  • QAOA 성능: 12 큐비트에서 근사 비율이 회로 깊이에 따라 **비단조적(non-monotonic)**으로 나타났다(p=2가 p=3보다 우수함). 이는 알려진 바렌 플래토(barren-plateau) 역학 및 양자 회로의 고전적 파라미터 최적화의 어려움과 일치하는 결과이다.

의의 및 주장
본 논문은 CHRONOS를 배치되어 검증된 시스템이 아니라, 반증 가능하고 평가 가능한 아키텍처 제안으로 포지셔닝한다. 본 논문의 주요 의의는 다음과 같다:

• 인식론적 정직성: 인용된 문헌에 근거한 주장과 독창적이고 사변적인 제안을 엄격히 구분한다. 실제 세계의 경험적 검증(실제 역사적 KG, 라이브 다중 에이전트 배포, 독립적 역사가 검토)이 완성도 있는 시스템을 위해 필요하며, 본 연구에서는 이를 조작하지 않았음을 명시한다.
• 과학적 방어 가능성: 반사실적 추론을 구조적 인과 모델과 명시적 불확실성 전파에 기반함으로써, CHRONOS는 분야를 서사적 개연성의 "담소 게임(parlor games)"에서 과학적으로 방어 가능하고 감사 가능한 시뮬레이션으로 격상시킨다.
• 실패 모드 해결: WarAgent나 BattleAgent와 같은 기존 연구에 부재했던, 그래프 제약 기반의 행동 적법성을 강제함으로써 LLM 에이전트가 워게임에서 예측 불가능하게 에스컬레이션되는 현상을 직접적으로 해결한다.

본 논문은 CH-RONOS의 전체 시스템이 실제 역사적 데이터에 대해 보이는 성능은 여전히 열려 있는 경험적 질문이지만, 핵심적인 계산 메커니즘(모순 탐지와 함께 작동하는 do-calculus 전파 및 보정된 불확실성)은 구현 가능하며 해석 가능하고 정량화 가능한 출력을 생성한다는 점에서, 서사 중심의 접근 방식을 넘어선 구체적인 진전임을 결론짓는다.