정보위상학으로 드러내는 모델의 급변과 emergent 클래스

본 논문은 관측 조건에 따라 수학적 모델이 어떻게 변형되고, 그 변형이 모델의 근본적인 위상 구조에 어떤 영향을 미치는지를 체계적으로 탐구한다. 먼저 **추상 모델**과 **통계 모델**이라는 두 층위의 개념을 도입한다. 추상 모델 Y는 파라미터 공간 Θ와 물리 법칙을 정의하지만 메트릭이 없으며, 실험 조건 X가 주어질 때 이를 구체화해 데이터 공간 D에 매핑하는 통계 모델 y가 생성된다. 통계 모델은 확률 분포 P(ξ;θ) 로 표현되며, Fisher 정보 행렬(FIM)을 통해 파라미터 공간에 리만 계량을 부여한다. **식별성(identifiability)** 은 두 차원—구조적과 실용적—으로 구분된다. 구조적 식별성은 매핑 y가 전사적(injective)이어야 함을 의미하며, 이는 y⁻¹이 존재함을 뜻한다. 이는 파라미터가 완전하고 잡음 없는 데이터로부터 고유하게 추정될 수 있음을 보장한다. 실용적 식별성은 FIM이 충분히 비특이적이어야 하며, Cramér‑Rao 한계에 따라 실험 반복 횟수가 현실적인 범위 내에 있어야 함을 의미한다. 관측이 바뀔 때마다 통계 모델이 정의하는 매니폴드는 **미분동형사상(diffeomorphism)** 으로 서로 연결될 수 있다. 저자들은 이러한 변환이 매니폴드의 **위상적 특성(모서리, 면, 코너 등)** 을 보존한다면 두 관측은 같은 **정보위상학(information topology)** 을 공유한다고 정의한다. 위상이 보존되는 관측 집합은 **부분 순서 집합(partially ordered set)** 형태의 군(group) 을 이루며, 이 군은 고유한 Hasse 다이어그램을 갖는다. 반대로 관측이 매니폴드의 경계 구조를 축소하거나 소멸시키면 **매니폴드 붕괴(manifold collapse)** 가 발생한다. 이 경우 기존 추상 모델로는 식별 가능한 통계 모델을 만들 수 없으며, 새로운 추상 모델을 정의해야 한다. 매니폴드 붕괴는 파라미터의 **슬로피니스(sloppiness)** 현상과 연결되며, 이는 FIM의 넓은 고유값 스펙트럼이 실질적으로 일부 파라미터를 비식별적으로 만든다. 위상 구조를 시각화하기 위해 **Hasse 다이어그램**을 도입한다. 다이어그램은 모델의 경계(면, 모서리, 코너 등)의 포함 관계를 계층적으로 나타내며, 각 노드는 낮은 차원의 **emergent model class** 를 의미한다. 이러한 클래스는 시스템이 보이는 지배적 행동 모드를 간결히 설명한다. 새로운 파라미터가 도입될 때 해당 클래스가 **안정(stable)** 하면 파라미터는 **비관련(irrelevant)** 로, 불안정하면 **관련(relevant)** 로 분류한다. 이는 RG 이론에서의 관련·비관련 파라미터 개념과 직접적인 유사성을 가진다. 논문은 네 가지 구체적 예시를 통해 이론을 입증한다. 첫 번째 예시는 두 지수 항의 합·차 모델로, 시간 포인트와 측정 노이즈 σ가 달라짐에 따라 매니폴드가 스트레칭·압축되지만 사각형 위상(4개의 모서리와 4개의 변)은 유지된다. 두 번째 예시는 1차원 Ising 모델과 그 변형으로, 상호작용 파라미터 J_i 를 관측에서 제외하면 매니폴드 경계가 사라져 차원이 감소하고, 기존 파라미터들의 식별성이 파괴된다. 세 번째와 네 번째 예시는 복잡한 다중 파라미터 시스템에서 **슬로피니스**가 어떻게 위상 붕괴와 연결되는지를 보여준다. 또한 저자들은 **관측의 반군(semi‑group)** 구조를 제시한다. 모든 가능한 관측 연산은 결합법칙을 만족하지만 역원은 존재하지 않을 수 있다. 그 중 **위상 보존 관측** 은 역원을 가지는 **군(group)** 을 이루며, 각각 고유한 Hasse 다이어그램을 가진다. 이러한 구조는 실험 설계와 모델 선택에 있어 어떤 관측이 모델의 핵심 위상을 보존하고, 어떤 관측이 정보를 손실시키는지를 명확히 판단할 수 있게 한다. 결론적으로, 정보위상학은 **모델의 근본적인 위상 구조와 관측의 상호작용** 을 정량화하고, 이를 통해 복잡계에서 핵심 메커니즘을 추출하며, 불필요한 자유도를 체계적으로 제거하는 새로운 언어를 제공한다. 이는 물리학, 생물학, 공학 등 다양한 분야에서 **효율적인 모델링, 효과적인 실험 설계, 그리고 새로운 현상의 설명** 에 활용될 수 있다.