다중스케일 기계 기억을 활용한 복잡계 특성 분석

초록

본 논문은 복잡계의 시계열 데이터를 다중 해상도로 압축하고, 각 해상도에서 유한 메모리 전이 행렬(기계)로 모델링한 뒤, 상대 엔트로피 기반 도구를 적용해 과거 정보가 미래 예측에 미치는 기여도를 정량화한다. 심장 전기 신호(ECG)의 사례를 통해 다양한 심부정맥 상태를 구별하는 데 이 방법이 유효함을 보인다.

상세 분석

이 연구는 복잡계 시계열을 “기억”이라는 관점에서 재구성한다. 먼저 원시 연속 데이터를 손실 압축(los​sy compression)하여 심볼 문자열로 변환한다. 압축 해상도를 단계적으로 낮추면, 각 단계는 서로 다른 시간 스케일의 정보를 보존한다. 각 스케일에서 생성된 심볼 시퀀스는 유한 메모리 전이 행렬, 즉 ‘기계(machine)’로 모델링된다. 여기서 기계의 상태 수는 압축 수준에 따라 달라지며, 상태 전이는 관측된 심볼에 따라 확률적으로 정의된다.

핵심 분석 도구는 상대 엔트로피(relative entropy, Kullback‑Leibler divergence)를 이용한 ‘예측 정보(predictive information)’ 측정이다. 구체적으로, 과거 길이 L의 조건부 확률 분포 P(x_{t+1}|x_{t-L+1}^{t})와 더 긴 과거 L′(L′>L)의 조건부 분포 P(x_{t+1}|x_{t-L′+1}^{t}) 사이의 상대 엔트로피를 계산한다. 이 값이 크면 더 긴 과거가 미래 예측에 실질적인 추가 정보를 제공한다는 의미이며, 이는 시스템이 장기 상관관계를 갖고 있음을 시사한다.

다중 스케일 기계 각각에 대해 이 상대 엔트로피를 구하면, 각 스케일에서의 정보 이득을 정량화할 수 있다. 저해상도(짧은 메모리) 기계는 빠른 변동성(고주파) 정보를 포착하고, 고해상도(긴 메모리) 기계는 느린 변동성(저주파)과 장기 의존성을 포착한다. 따라서 전체 시스템은 여러 시간대에 걸친 상관구조를 다층적으로 드러낸다.

심장 전기 신호에 적용한 결과, 정상 심박과 심방세동, 심실성 부정맥 등 서로 다른 병리 상태가 각 스케일에서 특이적인 상대 엔트로피 프로파일을 보였다. 예를 들어, 심방세동은 짧은 메모리 기계에서 높은 엔트로피 변화를 보이며 급격한 리듬 변화를 나타내는 반면, 심실성 부정맥은 긴 메모리 기계에서 더 큰 정보 이득을 보여 장기 불규칙성이 강조된다. 이러한 차이는 기존의 단일 스케일 분석으로는 포착하기 어려운 미세한 동역학 차이를 드러낸다.

또한, 기계 모델 자체가 확률 전이 행렬 형태이므로, 학습 데이터가 충분히 확보될 경우 베이지안 추정이나 최대우도 추정으로 파라미터를 효율적으로 추정할 수 있다. 이는 실시간 모니터링 시스템에 적용 가능성을 열어준다.

결론적으로, 다중 스케일 압축‑기계‑상대 엔트로피 프레임워크는 복잡계의 다중 시간 상관성을 정량화하고, 임상 진단이나 이상 탐지와 같은 실용적 응용에 강력한 도구가 될 수 있다.