재발성 마이크로상태로 복잡한 시스템 분류하기: 물리 기반 기계 학습의 새로운 접근

초록

본 연구는 시간 계열 데이터에서 추출한 ‘재발성 마이크로상태’의 확률 분포를 특징 벡터로 사용하여, 여러 기계 학습 알고리즘의 분류 정확도를 크게 향상시켰다. 카오스 맵, 연속 동적 시스템, 색잡음 등 다양한 복잡 시스템의 매개변수를 성공적으로 분류했으며, 이 방법은 데이터 차원과 계산 복잡성을 획기적으로 줄여 메모리 사용량과 계산 시간을 절감하는 동시에 높은 성능을 유지했다.

상세 분석

이 논문의 핵심 기술적 기여는 복잡 시스템의 동역학적 정보를 압축적으로 표현하는 ‘재발성 마이크로상태(Recurrence Microstates)’ 공간을 정의하고, 이를 기계 학습의 입력 특징으로 활용한 점에 있다. 재발성 마이크로상태는 기존 재발성 플롯(Recurrence Plot)의 N x N 부분 행렬로, 시스템 궤적의 국소적 재발성 패턴을 2^(N^2)개의 이진 코드로 표현한다. 이는 원시 데이터의 고차원 위상 공간을 재발성 유무라는 물리적 의미를 지닌 저차원 공간으로 변환하는 효과가 있다.

연구팀이 채택한 중요한 방법론은 재발성 임계값(ε)을 임의로 설정하지 않고, 마이크로상태 분포의 엔트로피(S(ε))를 최대화하는 값으로 과학적으로 결정한 것이다. 이는 정보 이론 관점에서 가장 다양하고 정보량이 많은 마이크로상태 집합을 선택함을 의미하며, 방법의 객관성과 재현성을 높였다. 특징 벡터는 각 마이크로상태가 전체 샘플에서 나타날 확률로 구성되므로, 시스템의 통계적 동역학적 특성을 간접적으로 담고 있다.

10가지 기계 학습 알고리즘(의사결정나무, 랜덤 포레스트, KNN, SVM 등)을 7가지 카오스 시스템(βx, 로지스틱, 헤논 맵, 로렌츠, 뢰슬러 등)과 색잡음에 적용한 결과, 재발성 마이크로상태 특징을 사용했을 때 대부분의 알고리즘에서 90% 이상의 높은 분류 정확도를 달성했다. 특히 랜덤 포레스트(Random Forest)와 그래디언트 부스팅(Gradient Boosting) 같은 앙상블 방법이 가장 뛰어난 성능을 보였다. 이는 마이크로상태 확률 분포가 결정 경계를 구축하는 데 매우 효과적임을 시사한다.

본 방법의 가장 큰 강점은 계산 효율성이다. 원시 시계열 데이터를 직접 분석하는 것에 비해, 재발성 마이크로상태 특징을 사용하면 필요한 데이터의 차원이 극적으로 줄어들어 메모리 사용량과 학습 시간을 대폭 절감할 수 있다. 이는 장기간의 시계열 데이터(예: 생체 신호, 기후 데이터)를 실시간에 가깝게 분석해야 하는 응용 분야에서 매우 중요한 장점이다. 또한, 재발성 분석은 데이터의 정상성(Stationarity)을 요구하지 않아 비선형·비정상 시계열 분석에 널리 적용 가능하다.