문자열·브레인 기반 MCMC: 서브어반 알고리즘의 이론과 실험

본 논문은 “문자열과 브레인”이라는 물리학적 메타포를 차용해 새로운 마코프 체인 몬테 카를로(MCMC) 알고리즘, 즉 서브어반 알고리즘을 제안한다. 기본 아이디어는 다수의 메트로폴리스‑해스팅(MH) 샘플러를 평행으로 실행하는 대신, 이들을 격자 형태의 네트워크에 배치하고 최근접 이웃과 상호작용하도록 연결함으로써 확장 객체(1‑브레인, 2‑브레인 등)를 만든다. 이렇게 하면 제안 분포가 각 노드의 현재 상태뿐 아니라 이웃들의 상태에도 의존하게 되며, 이는 전통적인 독립 MH 샘플러와는 근본적으로 다른 전이 구조를 만든다. 논문은 먼저 이 아이디어의 물리학적 배경을 설명한다. 문자열·브레인 이론에서는 차원 수가 물리적 현상(예: 퍼터베이션 전파, 장벽 극복)에 큰 영향을 미친다. 이를 통계적 추론에 적용하면, 여러 통계 에이전트가 서로 정보를 공유함으로써 전체 추론 효율이 변한다는 가설을 세운다. 특히, 1+1 차원의 문자열이 자유 에너지 장벽을 넘는 데 유리하다는 기존 연구를 인용해, MCMC에서도 유사한 현상이 나타날 것이라고 기대한다. 수학적으로는 목표 분포를 π(x₁,…,x_M)=∏_{i=1}^M π(x_i) 로 정의하고, 기존 독립 제안 커널 q_parallel(x'_1,…,x'_M|x₁,…,x_M)=∏_i q(x'_i|x_i) 를 확장한다. 새로운 제안 커널은 q_extend(x'_1,…,x'_M|x₁,…,x_M)=∏_{σ=1}^M q_σ(x'_σ|N(σ)) 이며, 여기서 N(σ) 는 σ의 이웃 집합이다. 이때 q_σ는 이웃들의 현재 상태를 조건으로 하는 제안 분포이며, 수용 확률은 표준 MH 규칙 a(x→x')=min{1,