오픈엔드 진화를 촉진하는 무결정성 메커니즘과 Ω 지표

초록

본 논문은 무작위 불린 네트워크(RBN)를 실험 플랫폼으로 삼아, attractor의 순환 길이와 체류 시간을 가중합한 Ω 지표를 제안한다. Ω는 단일 attractor에서는 0이며, 다양한 사이클형 페노타입이 지속적으로 등장할수록 값이 증가한다. 고전적 Boolean 업데이트 외에 확률적 컨텍스트 전환, annealed rule mutation, 파라콘시스 논리, 모달 필요·가능 게이팅, 양자‑영감 초위(superposition/entanglement) 메커니즘을 도입해 비교하였다. 결과는 상태‑의존적·무결정성‑인접 메커니즘이 지속적인 혁신을 가능하게 함을 보여준다. 마지막으로 Ω를 연속·하이브리드 상태공간으로 확장하는 방안을 제시한다.

상세 분석

이 연구는 “오픈엔드 진화(OEE)”를 정량화하기 위한 새로운 메트릭 Ω를 정의함으로써, 기존의 복잡도 기반 혹은 구성요소 기반 지표가 갖는 주관성·측정 한계를 극복하고자 한다. Ω는 각 attractor의 순환 길이 L_i와 해당 attractor에 머무는 시간 τ_i의 곱을 전체 시뮬레이션 시간 T로 정규화한 Σ(τ_i·L_i)/T 형태이며, 이는 “얼마나 오래, 얼마나 복잡한 사이클이 유지되는가”를 직접적으로 반영한다. 단일 고정점이나 짧은 주기만 존재하면 Ω≈0이 되므로, 실제로 지속적인 페노타입 변이가 없을 경우 OEE가 없다고 판단한다.

RBN를 실험 베드로 선택한 이유는 그 구조가 유전자는 0/1 이진 상태와 논리 게이트로 추상화된 GRN을 잘 모사하고, 동시에 네트워크 토폴로지·업데이트 스키마를 자유롭게 변형할 수 있기 때문이다. 논문은 동질적(동일 K, 동기식) RBN와 이질적(포아송·지수 입출력 분포, 비동기식) RBN를 각각 𝑁=100500 노드, K=24 범위에서 10⁴~10⁵ 스텝까지 시뮬레이션하였다.

비클래식 메커니즘은 크게 다섯 가지로 구분된다. 첫째, Probabilistic Boolean Network(PBN)는 전체 규칙 집합을 여러 컨텍스트로 분리하고, 일정 확률로 전환함으로써 환경 변화에 대한 스위칭을 모델링한다. 이는 Ω가 급격히 상승하는 “컨텍스트 전환 단계”를 만들며, 새로운 attractor가 생성될 확률을 크게 높인다. 둘째, Annealed Rule Mutation(ARM)은 각 LUT 엔트리를 매 업데이트마다 작은 확률 p_ARM으로 뒤집어, 규칙 자체가 시간에 따라 ‘진화’하도록 만든다. 이 메커니즘은 기존 attractor를 서서히 변형시켜 새로운 사이클을 생성하고, Ω의 증가율을 완만하지만 지속적으로 만든다. 셋째, Paraconsistent Logic은 LUT에 모순값(×)을 삽입하고, 해석자 ρ가 다수결 혹은 우선순위 규칙으로 모순을 해결하도록 한다. 모순이 존재할 때는 일시적인 불안정성이 발생하지만, 이는 새로운 attractor로 전이되는 트리거 역할을 하여 Ω를 순간적으로 폭발시킨다. 넷째, Modal Necessity/Possibility Gating은 각 노드에 “필수(□)·가능(◇)” 플래그를 부여해, 특정 조건 하에서만 규칙이 활성화된다. 이러한 조건부 활성화는 네트워크가 동일한 입력에 대해 다중 경로를 탐색하도록 만들며, attractor 공간을 고차원적으로 확장한다. 마지막으로 Quantum‑Inspired Superposition/Entanglement은 노드 상태를 0·1·(0+1) 형태의 중첩으로 표현하고, 얽힘 연산자를 통해 여러 노드가 동시에 상호작용하도록 구현한다. 이 경우 전통적인 Boolean 업데이트가 불가능해지므로, 시뮬레이션은 확률적 샘플링을 통해 ‘관측’된 결과만을 기록한다. 결과적으로 attractor가 전통적 의미와 달리 다중 실현을 갖게 되며, Ω는 매우 높은 값으로 수렴한다.

실험 결과는 다음과 같이 요약된다. (1) 동질적 RBN에서는 고전적 Boolean 업데이트만으로는 Ω가 거의 0에 머물며, OEE가 발생하지 않는다. (2) 비동기식·구조 이질성을 도입하면 일부 새로운 attractor가 나타나지만, Ω 상승폭은 제한적이다. (3) 위의 비클래식 메커니즘을 적용하면, 특히 PBN과 파라콘시스 로직이 가장 큰 Ω 증가를 보였다. ARM은 지속적인 작은 혁신을 제공해 장기적으로 Ω를 유지시키는 역할을 한다. (4) 모달 게이팅과 양자‑영감 메커니즘은 복합적인 상태 전이를 야기해, Ω가 급격히 폭발하는 ‘혁신 폭풍’을 만든다. 이러한 현상은 무결정성(undecidability)과 직접 연결된다. 즉, 시스템이 단일 알고리즘으로는 미래 상태를 예측할 수 없게 될 때, 새로운 페노타입이 끊임없이 생성된다.

논문은 마지막 장에서 Ω를 연속·하이브리드 상태공간으로 확장하는 방안을 제시한다. 연속 변수는 구간을 이산화하여 ‘가중된 사이클 길이’를 정의하고, 연속적인 흐름을 ‘가상 attractor’로 매핑한다. 이를 통해 생물학적 신호전달망, 대사망 등 연속적 동역학을 가진 시스템에도 Ω를 적용할 수 있다.

전반적으로 이 연구는 OEE를 평가하기 위한 모델‑중립적 지표 Ω를 제안하고, 무결정성‑인접 메커니즘이 오픈엔드 진화를 촉진한다는 가설을 실험적으로 검증한다. 이는 합성생물학·인공생명 분야에서 ‘진화 가능한 회로’를 설계할 때, 어떤 논리·업데이트 방식을 선택해야 지속적인 혁신을 얻을 수 있는지에 대한 실용적 가이드라인을 제공한다.