인공신경망으로 보는 의사난수와 신의 주사위

초록

본 논문은 간단한 인공신경망을 이용해 의사난수 데이터에 숨겨진 상관관계를 학습하고, 이를 기반으로 미래 사건을 예측한다는 가설을 검증한다. 실험 결과는 신경망이 극히 무작위에 가까운 환경에서도 일정 수준의 예측력을 보이며, 이러한 민감도가 양자 난수와 의사난수 사이의 근본적 차이를 검증하는 도구가 될 수 있음을 시사한다.

상세 분석

논문은 먼저 의사난수 생성기(예: 선형합동법, Mersenne Twister)를 이용해 대규모 시퀀스를 만든 뒤, 1차원 입력을 2개의 은닉층(각 64노드)과 1개의 출력층으로 구성한 피드포워드 신경망에 학습시킨다. 학습 목표는 다음 값(또는 특정 패턴)의 발생 확률을 예측하도록 설계되었으며, 손실 함수는 교차 엔트로피, 최적화는 Adam을 사용한다. 실험에서는 학습 데이터와 검증 데이터를 8:2 비율로 나누고, 에포크 수는 50으로 제한하였다.

핵심적인 기술적 비판은 다음과 같다. 첫째, 의사난수는 이론적으로 완전한 독립성을 갖지만, 실제 구현에서는 초기 시드와 알고리즘 구조에 따라 미세한 주기성이나 비선형 상관이 존재한다. 논문은 이러한 잠재적 구조를 탐지하기 위해 NIST SP800‑22 테스트나 DIEHARDER와 같은 표준 통계 검증을 전혀 수행하지 않아, ‘숨겨진 상관관계’가 실제로 존재하는지 여부를 객관적으로 입증하지 못한다.

둘째, 네트워크 구조가 지나치게 단순하고 파라미터 수가 제한적이어서, 복잡한 비선형 의존성을 포착하기엔 역량이 부족할 가능성이 있다. 반대로, 학습 데이터가 무작위이므로 과적합 위험이 낮지만, 검증 단계에서 얻은 미세한 정확도 향상이 통계적 유의성을 갖는지 검증되지 않았다. p‑값이나 부트스트랩 재샘플링을 통한 신뢰구간 제시가 없으며, 무작위 베이스라인(예: 무작위 추측)의 성능과 비교하지 않아 실제 개선 정도를 판단하기 어렵다.

셋째, 양자 난수와 의사난수를 구분하려는 최종 목표는 흥미롭지만, 실험에서는 양자 난수 발생 장치를 사용하지 않았다. 따라서 신경망이 양자 난수에 대해 동일한 예측력을 보이는지, 혹은 양자 현상의 비결정론성을 감지할 수 있는지에 대한 실증적 증거가 전혀 제공되지 않는다.

마지막으로, 논문은 ‘신이 주사위를 던지는가’라는 철학적 질문을 제기하지만, 과학적 방법론과는 거리가 먼 서술이 섞여 있다. 실험 설계와 통계 분석이 충분히 엄밀히 수행된다면, 신경망이 난수의 미세 구조를 탐지하는 새로운 도구가 될 가능성은 있다. 현재 형태의 연구는 탐색적 단계에 머물며, 보다 정교한 검증 절차와 대조 실험이 필수적이다.