문자열·브레인 기반 MCMC: 서브어반 알고리즘의 혁신

본 논문은 문자열과 브레인(다차원 확장 객체)의 물리적 특성을 차용해, 통계적 에이전트들을 무작위 네트워크로 연결한 새로운 마코프 연쇄 몬테 카를로(MCMC) 샘플러, 즉 ‘서브어반 알고리즘’을 제안한다. 전통적인 메트로폴리스‑헤이스팅스(MH) 샘플링은 하나의 입자가 에너지 지형을 탐색한다는 직관적 비유를 제공하지만, 복잡한 다중모드 분포에서는 자유 에너지 장벽에 갇히는 문제가 있다. 이를 해결하고자 저자들은 M개의 독립적인 MH 체인을 하나의 고차원 시스템으로 보고, 각 체인을 ‘통계적 에이전트’라 부른다. 에이전트들은 그래프 A 로 정의된 인접 관계에 따라 서로 영향을 주고받는다. 제안 분포 q_σ(x_new|Nb(x_σ)) 는 현재 에이전트 σ와 그 이웃 Nb(x_σ) 의 상태에 기반한다. 따라서 인접 행렬 A 가 바뀔 때마다 제안 커널이 바뀌어, 에이전트 간 상호작용이 동적으로 변한다. 이 구조는 물리학에서 브레인의 차원이 장의 전파와 상관관계에 미치는 영향을 반영한다. 핵심 개념은 ‘효과적 차원(d_eff)’이다. d_eff = n_avg / 2 로 정의되며, n_avg 은 평균 이웃 수이다. 물리학적으로 차원이 1 이하일 때 장의 두점 함수가 느리게 감소해 장이 넓게 퍼지고, 차원이 2 이상이면 상관이 급격히 감소해 전체 시스템이 하나의 덩어리처럼 움직인다(‘그룹싱크’). 따라서 d_eff≈1, 즉 문자열(1‑브레인) 형태가 샘플링 효율과 정확도 사이의 최적 균형을 제공한다는 가설을 세운다. 알고리즘은 다음 단계로 구성된다. 1) 초기 상태 X(0)와 인접 행렬 A(0)를 무작위로 설정한다. 2) 현재 A(t) 에 기반해 제안 q(X*|X(t),A(t)) 를 샘플링한다. 3) MH 수용률 a = min{1,