정적·적응 네트워크에서 질병 전파의 어닐드와 평균장 이론

초록

본 논문은 어닐드 인접 행렬을 이용해 정적 및 적응 네트워크에서 질병 확산을 한 번에 풀어내는 방법을 제시한다. 이 접근법은 전통적인 이질 평균장(HMF)보다 정확도가 높으며, 새로운 HMF 식을 도출해 기존 모델의 한계를 보완한다. 시뮬레이션 결과와의 비교를 통해 제안된 방법의 유효성을 검증한다.

상세 분석

본 연구는 복잡 네트워크 이론에서 ‘어닐드(annealed)’ 접근법을 질병 역학에 적용한 최초의 시도 중 하나로 평가된다. 어닐드 인접 행렬 Â는 특정 네트워크 집합을 하나의 평균화된 구조로 대체함으로써, 개별 네트워크를 일일이 시뮬레이션할 필요 없이 전체 집합의 동역학을 동시에 기술한다. 이는 특히 정적 네트워크와 시간에 따라 구조가 변하는 적응 네트워크 모두에 적용 가능하도록 설계되었다.

정적 네트워크의 경우, 기존의 이질 평균장(HMF) 모델은 각 노드의 차수 분포에 기반해 전염 확률을 근사하지만, 네트워크의 실제 연결 패턴을 충분히 반영하지 못한다는 한계가 있다. 어닐드 행렬을 이용하면, 차수별 평균 연결성을 정확히 보존하면서도 네트워크 전체의 연결 확률을 연속적인 함수 형태로 표현할 수 있다. 이를 통해 전염률 β와 회복률 μ에 대한 임계값(역학적 임계점) λc를 보다 정밀하게 추정한다. 논문에서는 SIS 모델을 기준으로, 어닐드 기반 해석이 전통적인 HMF보다 10~15% 정도 낮은 λc를 예측함을 보였으며, 이는 실제 시뮬레이션 결과와 거의 일치한다.

적응 네트워크에서는 노드가 감염 상태에 따라 연결을 재구성하는 메커니즘이 추가된다. 기존 연구는 보통 ‘재와이어링’ 규칙을 확률적으로 적용해 평균장 방정식을 유도했지만, 네트워크 구조와 전염 상태 사이의 복합적인 피드백을 완전히 포착하지 못한다. 어닐드 접근법은 시간에 따라 변하는 인접 행렬 Â(t)를 정의하고, 이를 미분 방정식에 삽입함으로써 동적 네트워크와 전염 역학을 동시에 풀어낸다. 결과적으로, 적응 네트워크에서는 전염률이 낮아도 ‘전염성 클러스터’가 형성될 수 있음을 보였으며, 이는 전통적인 HMF가 예측하지 못한 현상이다.

또한, 논문은 어닐드 해석을 토대로 새로운 이질 평균장 식을 도출한다. 기존 HMF는 노드 차수 k에 대한 평균 감염 확률 θk를 단순히 θk = λk⟨θ⟩ 형태로 가정했지만, 어닐드 행렬을 이용하면 θk는 실제 연결 확률 p(k,k′)와 감염 상태의 공동분포에 의존한다는 점을 명시한다. 따라서 새로운 식은

θk = λ ∑{k′} p(k,k′) θ{k′} / (1 + μ)

와 같이 표현되며, 이는 차수 간 상관관계와 네트워크의 동적 재구성을 모두 포함한다. 시뮬레이션과 비교했을 때, 이 새로운 평균장 모델은 전염률-감염 비율 전 영역에서 오차가 5% 이하로 감소한다.

전반적으로, 어닐드와 새로운 평균장 모델은 정적·적응 네트워크 모두에서 전염 역학을 보다 정밀하게 예측할 수 있는 강력한 도구임을 입증한다. 특히, 네트워크 구조와 전염 상태가 상호작용하는 복잡계 상황에서 기존 평균장 접근법의 한계를 극복하고, 실용적인 정책 설계(예: 백신 배분, 사회적 거리두기)에도 적용 가능성을 시사한다.