기능 전류와 형태와 신호를 동시에 다루는 새로운 수학적 도구

초록

본 논문은 형태 위에 정의된 신호, 즉 기능적 형태를 표현하기 위해 ‘기능 전류’라는 개념을 도입한다. 기존의 수학적 전류가 순수 기하학적 객체만을 다루는 한계를 극복하고, 기하학적 변형과 신호 변동을 동시에 고려할 수 있는 힐베르트 노름을 정의한다. 이를 기반으로 기능 전류의 매칭 퍼추트와 디퓨오몰픽 전송에 의한 동시 등록 알고리즘을 제시한다.

상세 분석

논문은 먼저 의료 영상 및 계산 해부학 분야에서 점점 늘어나는 ‘기하-기능 데이터’를 문제 제기로 제시한다. 전통적인 커런트 이론은 곡선·표면 같은 순수 기하학적 구조를 미분 형식과 외적 연산을 통해 힐베르트 공간에 매핑함으로써 거리와 평균 등을 정의해 왔다. 그러나 이러한 프레임워크는 형태 위에 정의된 스칼라·벡터·다중값 함수와 같은 부가 정보를 전혀 반영하지 못한다는 근본적인 한계가 있다.

이에 저자들은 ‘기능 전류(functional current)’라는 확장 개념을 제안한다. 기능 전류는 (M, g)라는 d‑차원 매니폴드 M 위에 정의된 신호 f: M → N (N은 값 공간, 예를 들어 실수, 색상, 텍스처 등)와 M 자체를 동시에 고려한다. 수학적으로는 (x, v, u) 형태의 3‑튜플을 사용한다. 여기서 x∈M은 위치, v∈Λ^d(T_xM)는 기하학적 방향(또는 면적 요소), u∈T_{f(x)}N은 신호의 접공간 방향을 나타낸다. 이러한 3‑튜플을 테스트 함수 φ∈C_c^∞(M×N, Λ^d(T^*M)⊗T^*N)와 내적함으로써 기능 전류 C_f(φ)=∫_M⟨φ(x,f(x)), v⊗u⟩ dμ_M(x) 를 정의한다.

핵심은 이 정의가 기존 커런트와 완전히 호환된다는 점이다. f가 상수 함수이면 기능 전류는 순수 커런트와 동일해진다. 반대로 f가 변하면 전류는 신호의 미분 구조까지 포함하게 된다. 저자들은 이 구조 위에 재생산 가능한 커널 K_g⊗K_h (기하학적 커널 K_g와 신호 커널 K_h의 텐서곱)를 도입해 힐베르트 공간 H_K를 구성하고, ‖C_f‖_H_K^2 = ⟨C_f, C_f⟩_H_K 로 정의되는 노름을 제시한다. 이 노름은 (i) 작은 기하학적 변형에 대해 연속적이며, (ii) 신호가 부드럽게 변할 때도 연속성을 유지한다. 따라서 형태와 신호를 동시에 최적화하는 변분 문제에 바로 적용할 수 있다.

알고리즘적 측면에서는 두 가지 주요 응용을 보여준다. 첫째, 매칭 퍼추트(Matching Pursuit) 기법을 기능 전류에 적용해 고차원 기능 형태를 희소한 원자 집합으로 근사한다. 여기서 원자는 사전 정의된 ‘기능 전류 원자’(예: 원형 패치·선형 패치 등)이며, 각 단계에서 가장 큰 내적을 갖는 원자를 선택하고 잔차를 업데이트한다. 이 과정은 기존 커런트 기반 퍼추트보다 신호 정보를 보존하면서도 압축 효율을 크게 높인다.

둘째, 디퓨오몰픽 전송(diffeomorphic transport) 프레임워크를 확장해 기능 전류의 동시 정합을 수행한다. 일반적인 LDDMM(Large Deformation Diffeomorphic Metric Mapping)에서는 변형 φ∈Diff(ℝ^n)를 최적화해 두 커런트 사이의 거리 ‖C_1−φ_*C_2‖를 최소화한다. 여기서는 φ가 신호 공간까지 끌어올려지는 ‘기능 전송’ φ_f를 정의하고, 전체 비용 함수 J(φ)=‖C_{f1}−φ_f_*C_{f2}‖_H_K^2+Reg(φ) 를 최소화한다. 이때 Reg(φ)는 변형의 스무스성을 강제하는 Sobolev 정규화 항이다. 실험 결과는 뇌 피질 표면에 매핑된 두께·곡률·활성도 등 다중 신호를 동시에 정렬했을 때, 기존 기하학 전용 방법보다 정합 정확도가 현저히 향상됨을 보여준다.

이러한 이론적·실험적 결과는 기능 전류가 ‘형태+신호’라는 복합 데이터를 통합적으로 다룰 수 있는 강력한 수학적 도구임을 입증한다. 특히 힐베르트 구조를 이용한 거리 정의와 변분 최적화는 기존 커런트 기반 방법을 그대로 확장하면서도 새로운 응용(예: 다중 모달 이미지 융합, 기능적 해부학 지도 구축 등)에 바로 적용 가능하도록 만든다.