비평형 확산을 위한 다변량 OU 브리지: 정확해석부터 시뮬레이션‑프리 학습까지

초록

본 논문은 비대칭 드리프트 행렬을 갖는 다변량 Ornstein‑Uhlenbeck(mvOU) 과정을 기준으로 Schrödinger Bridge 문제를 정의하고, Gaussian 종단분포에 대해 정확한 해를 유도한다. 일반적인 비Gaussian 경우에는 흐름‑스코어 매칭을 이용한 시뮬레이션‑프리 알고리즘 mvOU‑OTFM을 제안하여, 단일세포 데이터 등 실험에서 기존 방법보다 높은 정확도와 빠른 학습 속도를 보인다.

상세 분석

이 연구는 기존 Schrödinger Bridge 문헌이 주로 Brownian(등방성) 확산을 전제로 하는 데 반해, 비대칭 drift 행렬 A를 갖는 mvOU 과정을 기준으로 삼아 비평형 시스템을 모델링한다. A가 비대칭이면 drift가 보존력(gradient) 형태가 아니므로, 확률 흐름에 비정상적인 회전 성분이 포함되어 비평형 정상상태(non‑equilibrium steady state)를 구현한다. 저자는 먼저 Gaussian 마진(ρ₀, ρ₁)이 주어졌을 때, 정적 SBP와 동적 SBP를 연결하는 disintegration identity를 이용해 정확한 Gaussian Schrödinger Bridge(GSB)를 도출한다. 핵심은 mvOU 브리지의 SDE 표현식(Theorem 1)과 그로부터 얻어지는 평균·공분산·스코어·플로우 식(Theorem 2)이다. 여기서 Λₜ와 cₜ는 엔드포인트와 무관하게 한 번만 계산되는 1‑차원 적분으로, 고차원에서도 효율적인 구현이 가능하다.

비Gaussian 경우에는 직접적인 해를 구할 수 없으므로, 저자는 “시뮬레이션‑프리” 접근법을 설계한다. 기존 연구(예: Score‑Flow Matching)에서 Brownian 브리지를 전제로 한 closed‑form 스코어·플로우를 활용한 것과 유사하게, mvOU‑OTFM은 mvOU 브리지의 스코어와 플로우를 명시적으로 계산한 뒤, 조건부 흐름 매칭(L_CFM)과 스코어 매칭(L_SF) 손실을 동시에 최소화한다. 이때 정적 SBP는 Sinkhorn‑Knopp 알고리즘을 통해 엔트로피 정규화 최적수송 문제로 해결되며, 얻어진 최적 커플링 π를 사용해 조건부 분포 pₜ|x₀,x₁ 를 샘플링한다. 네트워크는 φ(t,·)와 θ(t,·) 두 파라미터화된 함수로 스코어와 플로우를 근사하며, 시뮬레이션 없이 직접 학습한다는 점이 큰 장점이다.

실험에서는 합성 Gaussian·비Gaussian 데이터와 실제 단일세포 전사체 데이터에 대해 mvOU‑OTFM을 적용했다. 결과는 (1) 정적 마진 재구성 정확도, (2) 시간 연속적인 샘플링 품질, (3) 학습 시간 모두에서 기존 Brownian 기반 방법(예: Score‑Based Diffusion, Flow Matching)보다 우수함을 보여준다. 특히 비대칭 A를 선택했을 때 비평형 흐름을 효과적으로 복원함으로써, 생물학적 시스템에서 관측되는 비보존적 힘을 포착할 수 있음을 입증한다. 마지막으로, 논문은 선형 기준 동역학을 선택함으로써 얻는 해석적 편리함과, 보다 일반적인 비선형/비선형화된 기준에 비해 모델 표현력이 제한되는 트레이드오프를 명확히 제시한다.