실험적 물리법칙 모델링 확률분포와 정보엔트로피 기반 접근

초록

본 논문은 물리법칙을 측정 변수의 확률분포로 정의하고, 측정 데이터와 계측기 산란함수를 이용한 커널 추정으로 확률밀도를 재구성한다. 정보엔트로피를 기반으로 실험 정보와 데이터 중복성을 정량화하고, 중복성 및 추정오차를 합친 모델 비용 함수를 최소화하기 위해 생성‑소멸 과정을 제안한다.

상세 분석

이 연구는 물리법칙을 전통적인 수식 형태가 아니라 확률분포 형태로 기술한다는 근본적인 전환을 시도한다. 측정값이 불가피하게 포함하는 잡음과 계측기 자체의 응답 특성을 ‘산란함수(scattering function)’라 명명하고, 이를 커널로 사용해 커널 밀도 추정(KDE)을 수행한다. 핵심은 이 커널이 물리적 계측기의 실제 응답을 반영한다는 점이다. 따라서 추정된 확률밀도는 순수한 수학적 모델이 아니라 실험 장비와 환경을 내재한 ‘실험적 모델’이 된다.

정보이론적 관점에서 저자는 엔트로피 (H) 를 이용해 두 가지 양을 정의한다. 첫째, 실험 정보 (I = H_{\text{max}} - H) 로, 이는 측정이 원래의 불확실성을 얼마나 감소시켰는지를 나타낸다. 둘째, 데이터 중복성 (R = H_{\text{data}} - I) 로, 동일한 정보가 여러 번 수집될 때 발생하는 비효율성을 정량화한다. 이 두 지표는 서로 보완적인 역할을 하며, 모델의 복잡도와 데이터 양 사이의 최적 균형점을 찾는 데 사용된다.

모델 비용 함수 (C = \alpha R + \beta E) (여기서 (E)는 추정 오차, (\alpha,\beta)는 가중치) 를 최소화하기 위해 저자는 ‘생성‑소멸(creation‑annihilation)’ 알고리즘을 도입한다. 이 알고리즘은 새로운 데이터 포인트를 추가(생성)하거나 불필요한 포인트를 제거(소멸)하면서 비용 함수를 동적으로 조정한다. 결과적으로 데이터 집합은 최소한의 중복성을 유지하면서도 목표 확률분포에 대한 정확한 추정을 제공한다.

실험적 검증으로는 간단한 물리 시스템(예: 자유 낙하, 전자기 진동)에서 측정된 데이터를 이용해 모델을 구축하고, 전통적인 파라미터 추정 방법과 비교하였다. 생성‑소멸 과정은 데이터 수가 급증해도 비용 함수를 안정적으로 유지했으며, 추정 오차는 기존 방법보다 유의미하게 감소하였다.

이 논문의 주요 기여는 (1) 물리법칙을 확률분포로 재정의한 이론적 프레임워크, (2) 계측기 특성을 커널에 직접 반영한 실험적 밀도 추정 방법, (3) 정보엔트로피 기반 비용 함수를 통한 데이터 효율성 최적화, (4) 생성‑소멸 알고리즘을 통한 자동 모델 복잡도 조절이다. 이러한 접근은 복잡계, 비선형 현상, 혹은 고불확실성 환경에서 물리법칙을 정량화하는 새로운 길을 제시한다.