정상인자 그래프 이중성 기반 저온 페르미자 포츠 모델 몬테카를로 추정

본 논문은 정상인자 그래프(Normal Factor Graph, NFG)와 그 이중성(the duality theorem)을 활용해 2차원 페르미자 포츠 모델 및 이징 모델의 파티션 함수 Z 를 효율적으로 추정하는 새로운 Monte Carlo 방법론을 제시한다. 1. **문제 배경 및 기존 한계** - 파티션 함수 Z = Σₓ f(x) 는 통계 물리, 조합론, 정보 이론 등에서 핵심적인 양이며, 직접 계산은 변수 수 N 에 대해 지수적 복잡도를 가진다. - 기존 deterministic 방법(BP, GBP, TreeEP 등)과 Monte Carlo 방법(표준 마코프 체인, Swendsen‑Wang 등)은 고온(약한 결합)에서는 잘 동작하지만, 저온(강한 결합)에서는 샘플 간 상관이 커져 수렴이 매우 느려진다. - 특히 포츠 모델(q≥3)에서는 다항시간 무작위 근사 스킴이 존재하지 않아 저온에서의 정확한 추정이 어려운 실정이다. 2. **정상인자 그래프와 이중 그래프 구성** - 변수 X_i (i=1…N)는 q‑state(ℤ_q) 를 갖고, 인접 변수 간 결합은 Hamiltonian H(x)=−Σ_{(k,ℓ)∈E} J_{kℓ}·δ(x_k−x_ℓ) 로 정의된다. - 프라임 NFG에서는 각 변수는 두 개 이하의 팩터에만 연결되도록 보조 변수와 동등성 인디케이터 I(x₁,x₀₁,x₀₀₁)=δ(x₁−x₀₁)·δ(x₁−x₀₀₁) 를 삽입한다. 팩터는 κ_e(y_e)=e^{J_e}·δ(y_e=0)+1·δ(y_e≠0) 로 표현된다. - NFG 이중성 정리에 따라 프라임 그래프와 동일한 토폴로지를 갖는 이중 그래프를 만든다. 이때 모든 팩터는 1‑차원 푸리에 변환 γ_e(ỹ_e)=Σ_{y_e∈ℤ_q} κ_e(y_e)·e^{-i2π y_e ỹ_e/q} 로 교체된다. 결과적으로 γ_e(0)=e^{J_e}·q, γ_e(ỹ≠0)=e^{J_e}·(q−1) 형태가 되며, 이는 J_e≥0(강자성) 조건 하에 항상 비음수이다. - 이중 그래프의 파티션 함수 Z_d 는 Z 와 스케일 팩터 α(G)=q^{|E|-|V|} 로 연결된다: Z = Z_d /α(G). 2차원 토러스(주기적 경계)에서는 α(G)=q^N 이다. 3. **Monte Carlo 알고리즘 설계** - **변수 분할**: 그래프의 간선 집합 E 를 스패닝 트리 T와 보조 집합 T̅ 로 나눈다. T 에 속한 변수 ỹ_T 는 자유롭게 샘플링 가능하고, T̅ 변수는 제로‑합 인디케이터(선형 제약)로부터 결정된다. 이는 변수 간 독립성을 확보해 샘플링 복잡도를 O(|T|) 로 낮춘다. - **균등 샘플링**: ỹ_T 를 균등하게 선택하고, 전체 가중치를 γ_e(ỹ_e) 의 곱으로 보정한다. 저온에서는 γ_e(0) 가 크게 우세해 분산이 다소 감소하지만, 여전히 상대 오차가 크다. - **중요도 샘플링**: 제안 분포 q(ỹ)=∏_{e∈E} γ_e(ỹ_e) /Z_d 를 사용한다. 실제 목표 분포와 거의 일치하므로 샘플 가중치 w(ỹ)=Z_d /∏γ_e(ỹ_e) 가 거의 1에 가깝다. 따라서 샘플 평균의 분산이 크게 감소한다. - **알고리즘 흐름**: (i) 스패닝 트리 선택 → (ii) ỹ_T 를 제안 분포에 따라 샘플링 → (iii) 제로‑합 제약을 이용해 ỹ_T̅ 계산 → (iv) 전체 가중치 곱을 이용해 Z_d 추정 → (v) Z = Z_d /α(G) 로 변환. 4. **실험 및 성능 평가** - 실험은 2D 격자 (M×M, M=16~64)에서 q=2,3,4,5 를 대상으로 수행되었다. J 값은 0.1(고온)부터 2.0(저온)까지 변화시켰다. - 비교 대상: (a) 기존 Markov 체인 Monte Carlo (Metropolis, Swendsen‑Wang, Wolff), (b) 변분 베이즈/TreeEP, (c) 최신 결정론적 근사(Loop‑Series, TRW). - 결과: 저온(J≥1.5)에서 중요도 샘플링은 상대 오차 10^{-3} 수준을 유지했으며, 기존 방법들은 10^{-1}~10^{0} 수준으로 급격히 악화했다. 균등 샘플링도 저온에서 개선되었지만 중요도 샘플링에 비해 1~2배 정도 큰 분산을 보였다. 고온에서는 모든 방법이 비슷한 정확도를 보였으며, 제안 방법이 특별히 우위에 있지는 않다. - 또한 샘플 수를 10^3에서 10^5까지 증가시켰을 때, 중요도 샘플링은 표준 오차가 √N^{-1} 으로 수렴함을 확인했으며, 이는 이론적 분산 분석과 일치한다. 5. **외부장 포함 이징 모델과 고온 전개 연결** - 외부장 h_i 가 있는 이징 모델에 대해 이중 그래프의 유효 구성(ỹ) 은 고온 전개 Σ_{G⊆E} ∏_{e∈G} tanh(J_e)·∏_{i∈V} (1+ h_i·σ_i) 와 일대일 대응한다. 즉, ỹ_e=1 인 간선 집합 G 가 고온 전개의 항을 정의한다. - Jerrum‑Sinclair의 “subgraphs‑world” 무작위 근사 스킴은 바로 이 고온 전개의 확률 분포를 샘플링하는 과정이며, 따라서 제안된 중요도 샘플링은 그 스킴을 Fourier‑dual 관점에서 구현한 것이라 할 수 있다. 이 연결 고리를 통해 이중 도메인 샘플링이 다항시간 근사 보장을 갖는 경우(강한 외부장, 강자성)에도 적용 가능함을 보였다. 6. **이론적 분석** - Appendix A에서는 2D 이징 모델의 정확한 해(Onsager)와 비교해 Monte Carlo 추정량의 분산을 프라임 도메인과 이중 도메인에서 각각 계산하였다. 결과는 저온에서 프라임 도메인의 분산이 지수적으로 증가하는 반면, 이중 도메인의 분산은 거의 일정함을 보여준다. 이는 γ_e(0) 가 크게 우세해 제안 분포가 목표 분포에 근접하기 때문이다. - 또한 스케일 팩터 α(G) 가 그래프 토폴로지에 따라 달라지는 점을 강조하며, 비주기적 경계나 비정규 격자에서도 동일한 방법론이 적용 가능함을 논의한다. 7. **결론 및 향후 연구** - 정상인자 그래프 이중성을 이용한 Monte Carlo 방법은 저온에서 파티션 함수 추정의 핵심 난제인 “샘플링 분산 폭증”을 효과적으로 억제한다. - 현재는 2D 격자와 강자성 모델에 초점을 맞췄지만, 비정규 그래프, 비강자성(반강자성) 모델, 그리고 연속 변수(예: Gaussian MRF)에도 확장 가능성이 있다. - 또한 중요도 샘플링을 변분 근사와 결합하거나, 다중 스패닝 트리를 이용한 다중 제안 분포 혼합(Multi‑proposal) 기법을 도입해 더욱 일반적인 상황에서도 효율을 높일 수 있을 것으로 기대한다.