The initial condition as a decaying forcing: ageing and Lyapunov exponents of fractional maps

복잡계 연구에서 과학자들은 사물이 시간이 지남에 따라 어떻게 변하는지를 규정하는 단순한 규칙을 찾곤 한다. 그러한 규칙 중 하나는 '맵(map)'이라는 개념인데, 이는 현재 상태를 바탕으로 다음 상태가 어디가 될지를 알려주는 수학적 레시피이다. 가장 단순한 버전에서 미래는 오직 현재에만 의존한다. 하지만 유체의 흐름이나 질병의 확산처럼 현실 세계의 많은 시스템은 기억을 가지고 있다. 이들의 미래는 단지 현재의 위치뿐만 아니라, 과거에 어디에 있었는지에도 의존한다. 이러한 기억이 아주 천천히 사라질 때, 즉 오랫동안 남아 있는 희미한 메아리처럼 작용할 때, 시스템은 '분수(fractional)' 수학을 사용하여 설명된다. 이러한 시스템은 긴 기억력 때문에 계산을 위해 시스템의 전체 역사를 알아야 하므로 연구하기가 매우 까다롭다. 이는 계산 비용을 높이고 수학적으로 불투명하게 만들어, 과학자들이 그 혼돈을 어떻게 측정하거나 행동을 예측해야 할지 확신하지 못하게 만든다.

스테파노 파지노(Stefano Fazzino)라는 연구자는 이제 이러한 복잡성을 뚫고 나갈 방법을 찾아내어, 기억을 가진 이 시스템들이 단순하고 자기 완결적인 기계로 이해될 수 있음을 밝혀냈다. 그는 시스템의 긴 역사를 과거 사건들의 목록이 아니라, 사라져 가는 '모드(modes)'의 집합으로 재구상함으로써, 이 분수 맵들이 사실은 자율적인 시스템임을 보여주었다. 이 새로운 관점에서 시스템은 자신의 과거를 되돌아볼 필요가 없다. 대신, 이 모드들을 통해 자신의 역사를 내부에 간직하며, 이 모드들은 매 단계마다 자동으로 업데이트된다. 이 돌파구는 과학자들이 표준 노트북으로 이 시스템들을 수백만 단계까지 시뮬레이션할 수 있게 해주는데, 이는 이전에는 몇 달이 걸리거나 불가능했던 작업이었다. 더 중요한 것은, 이 새로운 관점이 초기 조건이 미래에 어떻게 영향을 미치는지에 대한 문제를 명확히 해주었다는 점이며, 이는 연구자들을 오랫동안 괴롭혀온 질문이었다.

이 연구는 인구 성장을 모델링하는 데 사용되는 유명한 로지스틱 맵(logistic map)의 변형인 두 가지 특정 유형의 맵에 초점을 맞춘다. 표준 버전에서는 내년의 인구가 현재의 인구에 의해서만 결정된다. 분수 버전에서는 새로운 인구가 모든 과거 연도의 가중 평균에 의존하는데, 이때 오래된 해일수록 영향력은 줄어들지만 결코 완전히 사라지지는 않는다. 파지노는 이 두 맵이 서로 다른 수학적 기원을 가지고 있음에도 불구하고 숨겨진 구조를 공유한다는 것을 입증했다. 그들의 기억 커널(memory kernels)—과거에 얼마나 많은 가중치를 줄 것인지를 결정하는 규칙—은 사실 단순한 기하학적 감쇄(geometric decays)의 평균이다. 이는 전체의 무한한 역사가 유한한 세트의 약 100개에서 200개의 '기억 모드'로 대체될 수 있음을 의미한다. 각 모드는 특정 기간 동안 과거를 기억하는 별도의 채널처럼 작동하며, 시간이 지남에 따라 기하학적으로 감쇄한다. 원시 역사를 추적하는 대신 이 모드들을 추적함으로써, 컴퓨터 실행 비용은 시간이 두 배로 늘어날 때 작업량이 네 배로 늘어나는 이차 성장(quadratic growth)에서, 시간이 두 배로 늘어날 때 작업량도 두 배가 되는 선형 성장(linear growth)으로 감소한다. 이러한 효율성 덕분에 시스템을 최대 1억 단계까지 추적할 수 있으며, 이는 이전에는 숨겨져 있던 장기적 행동을 관찰하는 데 필요한 규모이다.

이 강력한 도구를 사용하여, 파지노는 근본적인 질문을 조사했다: 초기 조건(시스템의 시작 값)이 장기적인 행동에 어떻게 영향을 미치는가? 기억이 없는 시스템에서 시작점은 보통 시스템이 어떤 패턴에 안착하기 전까지 짧은 순간 동안만 중요하다. 그러나 이러한 분수 시스템에서 시작점은 매우 오랫동안 시스템을 밀어붙이는 감쇄하는 힘으로서 작와한다. 연구진은 이 영향력이 멱법칙(power law)을 따르며 서서히 사라진다는 것을 발견했는데, 이는 단계가 진행됨에 따라 효과가 감소하는 방식이다. 시스템이 정상 상태나 반복 주기에 안착하는 경우, 이는 시스템의 시작점에 대한 민감도 또한 서서히 사라져 결국 0이 된다는 것을 의미한다. 이는 왜 이전의 시도들이 때때로 혼란스러운 음수 값을 산출했는지를 설명해주는데, 그것들은 아마도 시스템이 시작점을 천천히 잊어가는 과정에서 나타난 단기적인 인위적 현상이었을 것이다.

가장 놀라운 발견은 시스템이 예측 불가능하게 행동하는 카오스 영역(chaotic regime)에서 일어났다. 여기서 초기 조건은 단순히 사라지는 것이 아니라, 카오스의 통계적 특성에 지속적인 흔적을 남긴다. 연구진은 시스템이 팽창하고 수축하는 비율인 국소 팽창률(local expansion rate)—카오스의 핵심 척도—이 놀라울 정도로 오랫동안 시작점에 의존한다는 것을 관찰했다. 특정 분수 차수의 시뮬레이션에서, 이 의존성은 시스템의 내부 상관관계가 사라지는 데 걸리는 시간보다 훨씬 더 긴 천만 번의 반복 이후에도 여전히 명확하게 관찰되었다. 시작점이 시스템의 장기 평균에서 멀어질수록, 이 드리프트(drift)는 더 강하고 오래 지속되었다. 그러나 시스템이 정확히 장기 평균에서 시작된다면, 이 드리프트는 사라지고 통계는 즉시 정체(stationary) 상태가 된다. 이는 이러한 시스템을 연구하기 위한 간단한 규칙을 제시한다: 시스템의 진정한 카오스를 측정하려면, 시뮬레이션을 시스템의 평균에서 시작하거나, 결과가 얼마나 오래 실행되었는지에 따라 결과가 달라진다는 점을 고려해야 한다.

이러한 발견은 일차원 인구 모델에만 국한되지 않았다. 파지노는 헤논 맵(Hénon map)으로 알려진 2차원 버전의 맵에 대해서도 동일한 분석을 반복했으며, 정확히 같은 행동을 발견했다. 초기 조건은 두 경우 모두에서 감쇄하는 강제 항(forcing term)으로 작용하여 카오스 통계의 '에이징(ageing, 노화)'을 유발했다. 이는 이 현상이 특정 방정식의 특이한 현상이 아니라, 멱법칙 기억을 가진 분수 시스템의 근본적인 속성임을 확인시켜 준다. 또한 연구는 규칙적인 비카오스 경로를 따라갈 때 리아푸노프 지수(Lyapunov exponent)—카오스를 정량화하는 데 사용되는 수치—가 정확히 0임을 명확히 했다. 즉, 시스템은 전통적인 의미에서 초기 조건에 대한 지수적 민감성을 보이지 않는다. 이전에 보고된 음수 값들은 아마도 0이라는 한계치에 도달하지 못한 유한 시간 추정치였을 것이다.

이 연구는 기억을 임의로 끊어내지 않고도 분수 맵에 대한 리아푸노프 지수를 정의하고 계산할 수 있는 일관된 프레임워크를 제공함으로써, 해당 분야의 오랜 모호함을 해결한다. 이는 시스템의 '에이징'이 수치적 오류가 아니라 긴 기억을 가진 시스템의 실제 물리적 속성임을 보여준다. 초기 조건은 잊혀진 세부 사항이 아니라, 수백만 단계에 걸쳐 시스템의 진화를 형성하는 지속적인 힘이다. 이 메커니즘을 식별함으로써, 이 연구는 복잡한 시스템을 분석하는 명확한 경로를 제시하며, 이러한 시스템의 진정한 카오스 본질을 이해하기 위해서는 즉각적인 행동을 넘어 시스템이 시작된 곳의 느리고 희미한 메아리를 고려해야 함을 시사한다.