역이징 문제로 보는 홉필드 네트워크 재구성

초록

본 논문은 네 개의 빠른 평균장 기반 역이징 알고리즘을 홉필드 네트워크에 적용하여, 온도와 저장 패턴 수에 따른 복원 정확도를 평가한다. 회복 단계와 스핀 유리 단계에서는 모든 알고리즘이 상호작용을 정확히 추정하지 못하지만, 파라메트릭 단계에서는 높은 재구성 성능을 보인다.

상세 분석

본 연구는 홉필드 네트워크를 이징 모델의 역이징 문제로 정의하고, 네 가지 평균장 기반 추정법—단순 평균장(NMF), 티플리츠-앱프(Thouless‑Anderson‑Palmer, TAP), 세사크‑모나손(Sessak‑Monasson, SM) 및 고차 평균장(Adaptive TAP)——을 비교한다. 시뮬레이션은 이산 스핀의 Glauber 동역학을 이용해 평형 상태를 얻으며, 저온 영역에서는 서멀 애닐링을 적용해 메타안정 상태에 도달한다. 주요 평가지표는 추정된 결합 Jij와 실제 결합 사이의 평균 제곱 오차(MSE)이며, 이를 시스템 규모 N, 저장 패턴 수 p(메모리 부하 α=p/N), 그리고 온도 T에 따라 체계적으로 측정한다. 결과는 세 가지 전형적 상—회복(리트리벌) 상, 스핀 유리 상, 파라메트릭 상—에서 크게 차이를 보인다. 회복 상에서는 네트워크가 하나의 저장 패턴을 강하게 기억하므로, 스핀 변수들의 상관관계가 해당 패턴에 의해 지배된다. 이때 관측된 2점 상관함수는 실제 결합 구조를 거의 반영하지 못하고, 평균장 근사식이 전제하는 작은 상관 가정이 크게 위배된다. 따라서 NMF, TAP, SM 모두 MSE가 급격히 증가하고, 특히 p가 1보다 클 때는 복구가 거의 불가능해진다. 스핀 유리 상에서도 다중 메타안정점이 존재해 상관함수가 복잡한 구조를 띠며, 평균장 근사는 여전히 비선형 효과를 충분히 포착하지 못한다. 반면 파라메트릭 상에서는 스핀 간 상관이 약해 평균장 근사가 정확히 적용될 수 있다. 이때 네 알고리즘 모두 MSE가 낮고, 특히 TAP과 SM이 작은 샘플 수에서도 안정적인 추정을 제공한다. 시스템 규모 N이 증가할수록 파라메트릭 상에서의 오차는 O(1/√M) (M은 샘플 수)로 감소하지만, 회복·유리 상에서는 규모 확대가 오히려 오차를 악화시킨다. 또한 메모리 부하 α가 증가하면 회복 상에서의 복구 실패가 급격히 심화되며, 파라메트릭 상에서는 α가 0.2 정도까지는 큰 영향을 주지 않는다. 샘플‑투‑샘플 변동성 분석 결과, 회복·유리 상에서는 각 인스턴스마다 MSE 분포가 넓어 신뢰성이 낮은 반면, 파라메트릭 상에서는 분포가 좁아 일관된 재구성이 가능함을 확인했다. 이러한 결과는 역이징 문제에서 “정보가 풍부한” 상태가 반드시 복구에 유리한 것이 아니라, 스핀 변수들의 상관이 약하고 평균장 근사가 성립하는 파라메트릭 상이 실제 네트워크 구조를 추정하는 데 최적임을 시사한다.