학습된 딥 뉴럴 네트워크에서 동역학 대칭을 유도하여 해석 가능한 보존 법칙 추정

1. 서론 저자들은 복잡계의 축소 모델링이 물리학자의 직관에 크게 의존한다는 점을 지적한다. 기존 방법은 좌표계 선택과 해밀토니언 추정 두 단계로 이루어지며, 특히 딥러닝 기반 해밀토니언 추정은 높은 자유도 때문에 해석이 어려워 물리적 의미를 도출하기 힘들다. 따라서 데이터 자체에 내재된 대칭 정보를 직접 추출해 물리적 보존법칙을 찾는 새로운 프레임워크가 필요하다고 주장한다. 2. 이론적 배경 2.1 Noether 정리 연속 대칭 변환이 해밀토니언을 불변하게 만들면, 그 변환에 대응하는 보존량 G_j가 존재한다는 식 (1)을 제시한다. 변환은 매개변수 θ를 갖는 Lie 군 c^inv(θ) 로 정의하고, 무한소 변환을 θ에 대한 편미분으로 전개한다(식 4). 2.2 해밀토니언 불변성과 데이터 매니폴드 시간‑시계열 데이터 D = { (q_t, p_t, q_{t+Δt}, p_{t+Δt}) } 를 정의하고, 변환 c가 해밀토니언을 불변하면 에너지 표면 {H=E} 자체가 변환에 대해 불변임을 증명한다(식 9). 또한, 정준 방정식의 이산화 형태(식 10‑11)를 도입해, 변환 후에도 동일한 이산 흐름을 유지하는 조건을 도출한다(식 18‑19). 이를 통해 데이터 집합이 해밀토니언과 정준 방정식의 동시 불변성을 만족한다면, 데이터 매니폴드 자체가 대칭 변환군의 불변 매니폴드임을 보인다. 2.3 Noether 정리와 데이터 집합의 연결 식 (20)‑(23)을 통해, 전체 데이터가 아니라 부분 데이터(특정 에너지 레벨 E_i)만 존재해도, 해당 레벨에 대한 부분 매니폴드 S_i 를 정의하고, S_i 가 두 개의 미분가능 매니폴드 S_a_i (초기 상태)와 S_b_i (시간 진화 후 상태)의 곱으로 표현될 수 있음을 보인다. 이는 실제 실험에서 메타안정 상태처럼 제한된 에너지 표면만 관측되는 경우에도 적용 가능함을 의미한다. 3. 방법론 3.1 매니폴드 모델링 딥 오토인코더를 사용해 고차원 시계열 데이터를 저차원 잠재공간 Z 로 압축한다. 인코더 φ와 디코더 ψ 를 학습시켜 재구성 오차를 최소화한다. 잠재공간에서의 좌표 변환 Q(q,p,θ), P(q,p,θ) 를 파라미터 θ에 대한 미분으로 근사한다. 3.2 대칭 추정 알고리즘 ① 잠재공간에서 임의의 데이터 포인트 z 를 선택하고, 근접 이웃을 샘플링한다. ② 이웃들의 차이를 이용해 접선 공간의 기저를 추정한다(주성분 분석 혹은 로컬 선형 회귀). ③ 추정된 기저 벡터를 θ 방향의 무한소 변환으로 해석하고, 식 (1)과 비교해 보존량 G_j 를 계산한다. ④ 여러 θ에 대해 반복해 대칭 군의 차원을 d_θ 와 각각의 보존량을 식별한다. 3.3 보존량 복원 θ 방향별로 얻은 (δq,δp) 를 이용해 G_j 를 적분한다. 실제 구현에서는 다항식 근사(예: 2차 또는 3차)로 G_j 를 표현하고, 회귀를 통해 계수를 추정한다. 4. 실험 4.1 T(1) 대칭 (1차원 등속 직선 운동) 데이터는 일정 속도로 이동하는 입자의 위치와 속도로 구성되었다. 오토인코더는 1차원 잠재공간을 학습했고, 추정된 대칭은 평행 이동(θ)이며, 복원된 보존량은 운동량 p와 일치하였다. 4.2 SO(2) 대칭 (중심력에 의한 원운동) 2차원 원운동 데이터를 사용해 잠재공간 차원을 2로 설정하였다. 추정된 대칭은 회전 변환이며, 복원된 보존량은 각운동량 L = x p_y - y p_x 와 일치하였다. 4.3 레일즈 모델 (대규모 집합체) 수천 개 입자의 집합체가 메타안정 상태에서 움직이는 시뮬레이션 데이터를 사용하였다. 오토인코더는 10차원 잠재공간을 학습했고, 두 개의 주요 대칭을 발견하였다: (i) 전체 시스템의 질량 중심 이동(평행 이동 대칭) → 총 운동량 보존, (ii) 전체 에너지 보존 대칭(시간 스케일 변환) → 에너지 보존. 결과는 기존 레일즈 모델 연구에서 보고된 보존량과 정량적으로 일치하였다. 5. 논의 및 결론 제안된 프레임워크는 해밀토니언 자체를 추정하지 않아도, 데이터 매니폴드의 일차 미분 정보만으로 연속 대칭과 보존법칙을 복원할 수 있음을 보였다. 이는 복잡계에서 물리적 직관 없이도 중요한 보존량을 발견할 수 있는 새로운 데이터‑주도적 물리학 접근법이다. 향후 연구는 비보존성(마찰, 외부 구동) 및 시간‑의존 해밀토니언, 그리고 추정된 보존량을 활용한 실제 물리 모델링 파이프라인 구축으로 확장될 수 있다.