제어 확산 과정의 엔트로피 함수와 정보 경로 함수: Kolmogorov 엔트로피·복잡도·물리와의 연결

** 1. **서론 및 연구 배경** 저자는 마르코프 확산 과정에 정의된 엔트로피 함수를 기존 정보 이론·통계 물리학에서의 역할과 연결시키면서, Kolmogorov 엔트로피·복잡도·Lyapunov 특성 사이의 관계가 아직 명확히 제시되지 않았음을 지적한다. 이를 해결하기 위해 정보 경로 함수(IPF)라는 새로운 변분 프레임워크를 도입한다. 2. **엔트로피 함수의 정의와 수식 전개** 제어 가능한 Ito 확산 방정식 (1.1)을 시작점으로, 전이 확률을 가법 함수 \(\varphi\) 로 표현한다(식 (1.2)). 조건부 엔트로피 \(S_{x|\varsigma}\) 와 \(\varphi\) 사이의 직접적인 관계를 도출하고, 최종적으로 엔트로피 함수가 라그랑지안 형태의 적분식(1.7)으로 나타남을 보인다. 이는 제어 입력 \(u\) 가 포함된 경우에도 동일하게 적용된다. 3. **정보 경로 함수(IPF) 접근법** 두 확산 과정 \(\tilde x_t\) (제어된)와 \(\hat x_t\) (목표) 사이의 거리 \(\rho_{\delta}\) 를 정의하고, 이를 최소화하는 매크로프로세스 \(\bar x_t\) 를 구한다. 변분 문제는 최적 제어 문제와 동등하게 전개되며, 목적함수는 엔트로피 함수와 동일한 라그랑지안을 사용한다(식 (2.12)–(2.13)). 4. **Kolmogorov 방정식과 Jacobi‑Hamilton 방정식의 동시 만족** IPF의 극값을 찾기 위해 Kolmogorov 방정식(K)와 Jacobi‑Hamilton 방정식(J‑H)을 동시에 만족시켜야 한다. 두 방정식이 일치하는 점은 이산적인 “펀치된” 점(DP) 집합이며, 이 점들 사이에서 최적 궤적은 구간(segment)으로 나뉜다. 각 구간의 시작점에서 최적 제어가 적용되고, 구간 내부에서는 동적 근사가 유지된다. 5. **특이점 및 불변량** DP 주변에 “창(window)”이 형성돼 무작위 정보가 매크로동역학에 순간적으로 주입된다. 이때 발생하는 차원 축소와 비선형 bifurcation은 Lyapunov 지표와 연결되며, 특이 궤적은 시스템 복잡도와 Kolmogorov 엔트로피 사이의 정량적 관계를 제공한다. 불변량은 식 (2.14a)‑(2.18)에서 도출되며, 특히 \(a^{\!T}\sigma^{-1}a\) 의 특정 조합이 시간에 따라 보존됨을 보인다. 6. **최적 제어와 실시간 식별** 식별 문제는 DP에서 측정된 공분산(상관) 함수를 이용해 drift와 diffusion 파라미터를 추정한다. 추정된 파라미터를 기반으로 제어 \(u(t)\) 를 실시간으로 업데이트함으로써, 최적 제어와 식별을 동시에 수행한다. 이 과정에서 도출된 불변량은 협동 정보 네트워크(IN)의 계층적 구조를 형성하는 기본 토대가 된다. 7. **협동 정보 네트워크(IN)와 계층적 구조** IPF의 해에 의해 생성된 불변량을 이용해 다중 레벨의 정보 네트워크를 구성한다. 각 레벨은 특정 DP 집합에 대응하며, 네트워크 전체는 최적 제어와 식별이 동시에 이루어지는 동적 시스템으로 해석된다. 8. **자연 경계 문제와 정보 보존 법칙** 자연 경계 문제에서는 IPF의 극값이 경계 조건을 만족하도록 제어 구간을 제한한다. 여기서 제시된 “정보 보존 법칙”은 시스템 전체의 엔트로피 흐름이 일정하게 유지됨을 의미한다. 경계 조건은 식 (2.18a)‑(2.18c) 로 표현되며, 이는 특이점과 연계된 제어 제약을 제공한다. 9. **Kolmogorov 엔트로피·복잡도·물리와의 연결** 마지막 섹션에서는 IPF와 Kolmogorov 엔트로피 사이의 정량적 관계를 정리한다. Kolmogorov 엔트로피는 IPF의 라그랑지안에 포함된 확산·드리프트 항들의 복합적인 함수이며, 시스템 복잡도는 특이점의 밀도와 DP의 분포에 의해 결정된다. 또한, Lyapunov 지표와의 연계성을 통해 물리적 안정성(예: 열역학적 평형)과 정보 이론적 안정성을 동시에 설명한다. **