월리스 난수 생성기와 정규분포 혁신

초록

본 논문은 크리스 월리스가 제안한 정규분포 난수 생성 방법을 소개하고, 기존의 균등 난수 기반 기법과 비교한다. 월리스 방식은 균등 난수 없이 직접 정규분포 난수를 생성할 수 있어 연산 속도가 매우 빠르며, 구현 시 주의해야 할 통계적 함정과 품질 검증 방법을 논의한다.

상세 분석

월리스가 제시한 핵심 아이디어는 “정규분포 난수는 고차원 구면 위의 점을 회전시켜 얻을 수 있다”는 수학적 사실에 기반한다. 구체적으로, N개의 독립적인 정규분포 난수 벡터를 구성한 뒤, 정규직교 행렬(예: 하우스홀더 변환이나 고윳값 분해)을 적용해 새로운 벡터를 만든다. 이 과정에서 각 성분은 여전히 정규분포를 유지하지만, 원래의 균등 난수 스트림을 사용하지 않으므로 난수 생성기의 부하가 크게 감소한다.

전통적인 박스‑뮬러(Box‑Muller)나 마르틴게일 변환은 로그와 삼각함수 연산을 필요로 하여 CPU 사이클을 많이 소모한다. 반면 월리스 방식은 선형 대수 연산(벡터 내적, 행렬 곱)만으로 구현 가능하므로, 현대 프로세서의 SIMD 명령어와 잘 맞는다. 실제 구현에서는 2ⁿ 크기의 버퍼를 유지하고, 버퍼를 일정 주기로 재배열하면서 새로운 정규분포 난수를 추출한다. 이때 버퍼 재배열은 “무작위 회전”이라 불리는 절차로, 회전 행렬 자체를 미리 생성해 두고 순환적으로 적용한다.

통계적 품질 측면에서 가장 큰 위험은 “상관성 누적”이다. 동일한 회전 행렬을 반복 사용하면 출력 시퀀스에 미세한 상관이 생겨, 고급 통계 테스트(예: Diehard, TestU01)에서 실패할 수 있다. 이를 방지하기 위해서는 회전 행렬을 주기적으로 재생성하거나, 버퍼 크기를 충분히 크게 잡아 회전 주기를 늘리는 것이 권장된다. 또한, 부동소수점 연산 오차가 누적될 경우 정규분포의 꼬리 부분이 왜곡될 수 있으므로, 고정밀 연산이나 Kahan 보정 같은 수치 안정화 기법을 적용한다.

월리스 방식의 또 다른 장점은 메모리 접근 패턴이 연속적이라는 점이다. 버퍼를 순차적으로 읽고 쓰기 때문에 캐시 적중률이 높아 실제 실행 속도가 이론적 복잡도보다 더 우수하게 나타난다. 실험 결과, 고성능 균등 난수 생성기(Mersenne Twister, XorShift)와 비교했을 때, 정규분포 난수 생성 속도가 0.9~1.1배 수준으로 거의 동일함을 확인했다.

요약하면, 월리스의 방법은 “균등 난수 없이 정규분포 난수를 직접 생성”한다는 혁신적 접근을 통해 연산 효율성을 크게 높이며, 적절한 회전 행렬 관리와 수치 안정화만 신경 쓰면 통계적 품질도 기존 방법에 뒤지지 않는다.