🔬 물리학

The Representability Gap: Massive-Graviton Physics Cannot Be Held by Virtual-World Physics Engines but Survives the Low-Precision Number Formats of Artificial Intelligence

이 논문은 거대 중력자 물리학을 표현하는 데 필요한 계산 정밀도가 가상 세계 물리 엔진의 능력을 초과하여 상당한 수치적 아티팩트를 발생시키는 반면, 동일한 효과가 인공지능 시스템에서 사용되는 저정밀도 형식 내에서는 여전히 표현 가능하고 학습 가능하다는 것을 입증한다.

원저자: Alfredo Merlet

게시일 2026-10-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alfredo Merlet

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

중력은 우리의 발을 땅에 붙들어 매고 행성들을 궤도에 머물게 하는 보이지 않는 힘이지만, 물리학의 가장 깊은 이론들에 따르면, 중력은 중력자라고 불리는 아주 작고 보이지 않는 입자들로 이루어져 있을지도 모릅니다. 과학자들은 실제로 중력자 하나를 본 적이 없으며, 많은 이들이 중력이 전달하는 힘이 믿기지 않을 정도로 약하기 때문에 이를 직접적으로 탐지하는 것은 불가능하다고 믿습니다. 하지만 만약 이 입자들이 존재하고 아주 미세한 질량이라도 가지고 있다면, 그것은 광활한 거리에서 중력이 작동하는 방식을 변화시킬 것입니다. 중력이 결코 끊어지지 않는 고무줄처럼 영원히 뻗어 나가는 대신, 중력은 한계점을 갖게 될 것이며, 시공간의 구조에 생기는 물결인 중력파는 그 음조(pitch)에 따라 약간씩 다른 속도로 이동하게 될 것입니다. 이 아이디어는 물리학자들에게 단순한 사고 실험에 그치는 것이 아닙니다. 이는 이제 우리의 디지털 삶과 맞닿아 있는 질문입니다. 우리가 거대한 가상 세계를 구축하고 인공지능이 우주를 이해하도록 훈련할 때, 우리는 이러한 힘들을 시뮬레이션하기 위해 컴퓨터에 의존합니다. 그러나 컴퓨터는 무한한 정밀도로 생각하지 않습니다. 컴퓨터는 일정 수준의 세부 정보만을 담을 수 있는 숫자 체계를 사용합니다. 만약 거대 중력자의 효과가 컴퓨터가 저장할 수 있는 가장 작은 세부 단위보다 작다면, 그 효과는 아무리 강력한 시뮬레이션이라 할지라도 기계 내부에서는 존재하지 않는 것이 됩니다.

알프레도 메를레트(Alfredo Merlet)라는 연구자는 바로 이 물리 법칙의 실재와 컴퓨터 숫자의 한계 사이의 경계를 테스트하기 위해 나섰습니다. 그는 단순하지만 심오한 질문을 던졌습니다. 만약 우주가 현재의 과학이 허용하는 최전선에 있는 거대 중력자를 포함하고 있다면, 가상 세계나 인공지능을 실행하는 컴퓨터가 실제로 그것을 볼 수 있을 것인가? 그 답을 찾기 위해, 그는 LIGO, Virgo, KAGRA 협력단이 관측한 중력파로부터 얻은 최신 중력자 질량 범위를 사용하여 두 가지 별개의 실험을 수행했습니다. 첫 번째 실험은 비디오 게임과 가상 현실을 구동하는 물리 엔진에 초점을 맞추었습니다. 이러한 엔진은 물체가 어떻게 움직이고 상호작용하는지를 계산함으로써 중력을 시뮬레이션합니다. 메를레트는 거대 중력로 인해 발생하는 미세한 중력 보정치가 물리 엔진에서 사용하는 표준 숫자 형식(고정밀부터 속도를 위해 설계된 저정밀 형식까지)에 저장될 수 있는지 테스트했습니다. 그는 작은 방 규모에서 행성 크기에 이르기까지 가상 세계가 사용할 수 있는 어떤 규모에서도, 그 효과가 컴퓨터의 메모리에 담기기에는 너무 작다는 것을 발견했습니다. 실제로, 이 효과가 가장 정밀한 형식에 저장될 만큼 커지려면 약 5억 4천만 미터, 즉 지구에서 달까지 거리의 약 1.5배에 달하는 거리가 필요했습니다. 더 빠른 처리를 위해 사용되는 덜 정밀한 형식의 경우, 효과가 가시화되려면 지구에서 태양까지 거리의 약 84배인 1.25 × 10^13 미터에 도달해야 했습니다.

이 첫 번째 실험에서 가장 놀라운 발견은 단순히 효과가 보이지 않는다는 점이 아니라, 컴퓨터가 때때로 그것의 가짜 버전을 만들어낸다는 점이었습니다. 물리 엔진이 표준 수학을 사용하여 보정치를 계산하려고 할 때, 관련된 미세한 숫자들은 서로 상쇄되어 거대한 가짜 신호를 만들어냈습니다. 어떤 경우에는 컴퓨터가 실제 효과보다 최대 9 × 10^16 배나 큰 중력 변화를 보고하거나, 실제로는 효과가 zero임에도 불구하고 효과가 존재한다고 주장하기도 했습니다. 이는 표준 하드웨어에서 실행되는 가상 세계가 거대 중력자의 미묘한 영향을 보여주는 데 실패할 뿐만 아니라, 자신의 숫자 체계의 한계로 인해 만들어진, 실제처럼 보이지만 완전히 허구인 유령 힘을 능동적으로 생성할 것임을 의미합니다. 엔진은 세계의 규모가 변함에 따라 침묵과 조작 사이를 오가며, 우주에 대한 혼란스럽고 불충실한 시뮬레이션을 만들어낼 것입니다.

두 번째 실험은 중력파를 분석하고 데이터로부터 물리 법칙을 학습하는 데 점점 더 많이 사용되는 인공지능으로 질문을 돌렸습니다. 운동을 시뮬레이션하는 물리 엔진과 달리, AI 시스템은 정보를 빠르고 효율적으로 처리하기 위해 종종 매우 낮은 정밀도의 숫자 형식을 사용합니다. 메를레트는 중력파의 패턴에 나타나는 특정한 왜곡인 거대 중력자의 고유한 서명이, 이러한 저정밀 형식의 반올림 과정에서도 살아남을 수 있는지 테스트했습니다. 그는 여기서 가상 세계의 시나리오와는 정반대의 결과가 나타남을 발견했습니다. 현대 AI 하드웨어에서 사용되는 8비트 형식을 포함하여 가장 압축된 숫자 형식들조차도 거대 중력자에 의한 미세한 왜곡을 보유할 수 있었습니다. 신호는 반올림 오차의 노이즈로부터 명확하고 뚜렷하게 유지되었습니다. 그가 중력파의 차이를 구분하도록 신경망을 훈련했을 때, 저정밀 숫자를 사용하더라도 AI의 정확도는 떨어지지 않았습니다. 시스템은 여전히 완벽하게 차이를 학습할 수 있었습니다.

이 연구는 거대 중력자 물리학을 표현할 수 있는 능력은 사용되는 디지털 시스템의 유형에 전적으로 달려 있다고 결론짓습니다. 가상 세계를 구축하는 엔진의 경우, 숫자의 정밀도가 주요 장벽입니다. 효과가 너무 작아서 담을 수 없으며, 이를 계산하려는 시도는 종종 위험한 오류를 초래합니다. 그러나 인공지능의 경우, 숫자의 정밀도는 문제가 되지 않습니다. 신호는 가장 압축된 형식에서도 저장되고 학습될 만큼 충분히 강합니다. AI의 진짜 한계는 하드웨어가 숫자를 보유하는 능력이 아니라, 데이터에 존재하는 노이즈와 시스템이 패턴을 인식하도록 가르치는 데 따르는 어려움입니다. 이 연구는 디지털 트윈이나 시뮬레이션된 우주를 구축하려는 모든 이들에게 명확한 경고를 제공합니다. 시뮬레이션된 세계가 미묘한 물리적 효과를 보여준다고 주장하기 전에, 컴퓨터가 실제로 그 효과를 메모리에 담을 수 있는지 먼저 확인해야 합니다. 이 확인 절차 없이는, 시뮬레이션이 자연 법칙이 아닌 유령을 보고하고 있는 것일 수도 있습니다.

기술 요약: 거대 중력자 물리학에서의 표현 가능성 격차 (The Representability Gap in Massive-Graviton Physics)

문제 정의
본 논문은 이론 물리학과 계산 시스템의 교차점에 관한 근본적인 질문을 다룬다: 거대 중력자의 물리적 효과(구체적으로 유카와 보정(Yukawa correction)과 중력파의 분산 현상)가 현대 가상 세계 물리 엔진 및 인공지능(AI) 하드웨어의 산술적 제약 내에서 표현될 수 있는가? 중력자는 가설적이며 단일 입자로서 탐지되지 않지만, 현재의 질량 상한선( $m_g \le 2.42 \times 10^{-23}$ eV/ $c^2$ )은 일반 상대성 이론으로부터 계산 가능한 편차를 시사한다. 본 연구는 이러한 편차가 현대 물리 엔진(통상 float32/float64)과 AI 가속기(float16, bfloat16, FP8)에서 사용하는 부동 소수점 형식 내에서 반올림 오차로 인해 손실되거나 가공의 아티팩트(artifact)를 생성하지 않고, 즉 "표현 가능한(representable)" 상태로 저장 및 계산될 수 있는지 조사한다.

방법론
저자는 세 가지 사전 설정된 가설을 테스트하기 위해 알려진 진리(60자리 정밀도의 참조 데이터를 가진 합성 데이터)를 사용하여 두 가지 계산 실험을 수행하였다:

H1: 유카와 보정은 가상 세계 규모에서 표준 물리 엔진 형식으로 표현할 수 없다.
H2: 저정밀도 AI 형식은 거대 중력자의 분산 잔차(dispersion residual)를 지워버린다.
H3: 저정밀도 입력을 학습한 신경망 판별기는 고정밀도 입력에 비해 정확도를 상실한다.

실험 1 (정적 유카와 보정):
- 범위: 여섯 가지 부동 소수점 형식(float64, float32, float16, bfloat16, FP8 E4M3, FP8 E5M2)에 대해 분수 힘 결손 $\delta(x) = 1 - e^{-x}(1+x)$ 를 평가하였다.
- 테스트:
  - 표현 가능성: 보정이 처음으로 머신 엡실론( $\epsilon$ )을 초과하여 저장 가능해지는 임계 거리( $r^*$ )를 계산하였다.
  - 직접 평가: 물리 엔진이 식 $1 - e^{-x}(1+x)$ 를 평가할 때 발생하는 상쇄 오차(cancellation errors)를 감지하기 위해, 매 연산 후 반올림을 수행하며 시뮬레이션하였다.
  - 궤도 적분: 뉴턴 중력과 유카와 중력 하에서의 궤도를 시뮬레이션하기 위해 속도-베를레(velocity-Verlet) 적분기를 사용하여 다양한 규모(방 크기에서 1,000 AU까지)에서 궤도 변위를 측정하였다.
실험 2 (AI에서의 분산 시그니처):
- 범위: 거대 중력자 위상 항(phase term)을 포함하는 중력파 인스파이럴 파형(GW150914 모델 기반)을 분석하였다.
- 테스트:
  - 표현 가능성 하한(Representational Floor): 파형을 AI 형식으로 반올림한 후의 분산 잔차에 대한 신호 대 잡음비(SNR)를 측정하였다. 중력자 질량 하한선(rounding noise에 의해 신호가 소실되는 지점)을 결정하였다.
  - 학습된 판별기: 일반 상대성 이론과 거대 중력자 파형을 구별하도록 설계된 다층 퍼셉트론(MLP)을 학습시켰다. 입력값이 다양한 형식으로 반올림되었을 때 분류 정확도(AUC)가 어떻게 변하는지 테스트하여, 정밀도 한계를 탐지기 노이즈로부터 격리하기 위해 노이즈 없는 데이터를 사용하였다.

주요 결과

가상 세계 물리 엔진 (실험 1):
- 표현 불가능성: 현재의 질량 상한에서, 유카와 보정은 약 $5.4 \times 10^8$ m (지구-달 거리의 1.4배)까지는 float64에서, 그리고 약 $1.25 \times 10^{13}$ m (84 AU)까지는 float32에서 표현할 수 없다. 행성 규모에서도 이 효과는 표현 가능성 임계값보다 몇 자릿수나 낮다.
- 환상적 보정(Phantom Corrections): 부동 소수점 산술에서 유카와 공식을 직접 평가하면 파괴적 상쇄(catastrophic cancellation)로 인해 "환상적인" 보정이 발생한다. float32 환경에서 1 AU 지점의 경우, 실제 효과는 8 m임에도 불구하고 엔진은 834 km의 변위를 보고하였다 (이는 $10^5$ 배의 증폭이다). 엔진은 규모가 커짐에 따라 침묵(효과 없음)과 조작(거대한 가짜 효과 생성) 사이를 오간다.
- 결론: H1이 지지되었다. 가상 세계의 규모는 해당 보정을 보유할 수 없다. 직접적인 구현은 단순히 효과를 보여주는 데 실패하는 것이 아니라, 실제 효과보다 수만 배 더 큰 "환상적인" 물리학을 생성하며, 그 부호 또한 구별할 수 없다.
인공지능 형식 (실험 2):
- 신호 보존: H2와 달리, 분산 잔차는 FP8을 포함한 테스트된 모든 형식에서 반올림 후에도 생존하였다. 발표된 경계치에서의 표현 가능한 SNR 범위는 9.7 (FP8 E5M2)에서 $2.0 \times 10^7$ (float32) 사이였다.
- 표현 가능성 하한: FP8에서 float32에 이르는 형식들의 질량 하한(SNR=1인 지점)은 현재의 상한보다 3~4,500배 더 낮았다.
- 학습 가능성: H3는 지지되지 않았다. 분류 정확도는 저정밀도에 따라 체계적으로 저하되지 않았다. 경계치에서 정확도는 정밀도의 문제가 아니라, 섭동 파라미터(위상/시간 이동) 하에서의 신호 학습 능력에 의해 제한되었다. 모든 형식에서 AUC 값은 높은 수준(종종 1.0)을 유지했다.
- 주의사항: 사전 정규화 없이 원시 천체 변형률( $10^{-21}$ )을 float16이나 FP8로 처리하면 0으로 소멸되지만, 표준 ML 파이프라인은 데이터를 정규화하므로 신호를 보존한다.

의의 및 주장
본 논문은 도메인 특화된 "표현 가능성 격차(Representability Gap)"를 확립한다:

가상 세계의 경우: 수치 표현이 구속 요인이다. 거대 중력자 규모의 물리학은 현재의 물리 엔진으로 어떤 관련 규모에서도 시뮬레이션할 수 없다. 더욱이, 직접적인 구현은 단순히 효과를 보여주지 못하는 것이 아니라, 실제 효과보다 수만 배 더 큰 "환상적인" 물리학을 생성한다.
AI의 경우: 수치 표현이 구속 요인이 아니다. 저정밀도 형식(FP8)조차 분산 시그니처를 저장할 수 있다. AI의 한계는 하드웨어의 부동 소수점 정밀도가 아니라 탐지기 노이즈와 신호의 학습 가능성이다.

거버넌스 함의
저자는 시뮬레이션된 세계와 디지털 트윈의 거버넌스를 위한 공식적인 유추를 제안한다: 시뮬레이션된 환경이 하위 정밀도 물리 효과(예: 중력자 규모의 편차)를 나타낸다는 주장은 반드시 명시적인 **표현 가능성 검사(representability check)**를 동반해야 한다. 이 검사는 해당 효과가 보고되거나 학습에 사용되기 전에, 관련 규모에서 해당 효과의 크기가 형식의 반올림 임계값(특히 $\epsilon/4$ )을 초과하는지 확인해야 한다. 본 논문은 현재의 시스템에서 중력자 물리학이 탐지 가능하다는 주장을 하는 것이 아니라, 현재의 산술이 해당 이론을 아티팩트 생성 없이 표현하기에는 불충분하다는 점을 지적하는 것이다.

유사한 논문