위상전이 탐지를 위한 지속 엔트로피 이론

초록

본 논문은 지속 엔트로피(PE)가 위상전이를 구별할 수 있는 충분조건을 확률적 프레임워크 안에서 정리한다. 무작위 지속 다이어그램이 시스템 크기와 제어 파라미터에 따라 확률적 수렴을 보이고, 한 위상에서는 유의미한 장기 바가 존재하지만 다른 위상에서는 거의 사라지는 경우, PE는 두 위상 사이에 비소멸 차이를 만든다. 이 이론을 기반으로 “위상 안정화”라는 시간적 운영 방식을 제안하고, Kuramoto 동기화, Vicsek 집단운동, 신경망 학습 세 가지 사례에 적용해 실험적으로 검증한다.

상세 분석

논문은 먼저 지속 다이어그램을 확률 변수로 모델링한다. 시스템 크기 N과 제어 파라미터 λ에 대해 관측 데이터가 무작위로 생성되고, 고정된 필터와 동차 차수 k를 적용하면 무작위 지속 다이어그램 D_N(λ) 가 얻어진다. 저자들은 이 다이어그램이 표준 다이어그램 거리(보틀넥 혹은 p‑와서스테인 거리) 아래에서 확률적 수렴 D_N(λ) → D(λ) 를 만족한다고 가정한다. 여기서 핵심 가정은 두 위상 λ<λ_c 와 λ>λ_c 에 대해 각각의 극한 다이어그램 D_-(λ) 와 D_+(λ) 가 존재하고, 적어도 하나의 “거시적” 바(bar)가 한 위상에서는 유한한 수명 b>0 을 유지하지만 다른 위상에서는 거의 제로에 수렴한다는 점이다. 이러한 바의 존재는 “macroscopic feature separation condition”이라 불리며, 위상 전이의 토폴로지적 본질을 포착한다.

지속 엔트로피 PE는 다이어그램의 수명 분포 ℓ_i 를 정규화한 뒤 Shannon 엔트로피 −∑p_i log p_i 로 정의된다. PE는 일반적으로 다이어그램 거리에서 연속성을 갖지 않지만, 저자들은 “총 지속 시간이 유한하고 짧은 바의 기여가 무시될 수 있는” 하위 공간에 제한함으로써 연속성을 확보한다. 따라서 D_N(λ) 의 확률적 수렴은 곧 PE(D_N(λ)) 의 확률적 수렴을 의미한다.

주요 정리는 다음과 같다. 위의 두 가정이 만족될 때, λ가 λ_c 를 지나면서 PE 값은 비소멸 차이 Δ>0 을 보이며, 이는 N→∞일 때도 확률적으로 유지된다. 즉, 위상 전이가 발생하면 PE는 두 위상 사이에 확정적인 간격을 만든다. 이 정리는 필터, 임베딩, 동차 차수에 독립적이며, 모델에 대한 구체적 가정 없이도 적용 가능하다.

시간적 적용을 위해 저자들은 “위상 안정화” 개념을 도입한다. 슬라이딩 윈도우 안에서 PE를 계산하고, 그 값이 일정 구간 동안 변동 폭이 ε 이하로 수렴하면 “위상 전이 시간” t_* 을 정의한다. 또한, 유한 관측 구간 내에서 임계 파라미터 λ_c 를 추정하기 위해 PE의 변동성 감소와 평균값 급격한 변화가 동시에 일어나는 지점을 확률적 임계점으로 제시한다.

실험에서는 Kuramoto 모델에서 coupling strength K 가 임계값을 넘어설 때 동기화된 클러스터가 형성되어 1차 호몰로지 바가 길어지며 PE가 급증한다. Vicsek 모델에서는 noise amplitude η 가 증가하면서 정렬된 군집이 붕괴되고, 0차 호몰로지 바가 사라져 PE가 감소한다. 신경망 학습에서는 에포크가 진행될수록 가중치 공간의 토폴로지 구조가 단순화되어, 초기 학습 단계에서 다수의 짧은 바가 존재하지만 후반부에 몇 개의 장기 바만 남아 PE가 안정화되고 변동성이 감소한다. 모든 사례에서 PE의 안정화와 변동성 붕괴가 이론적 기대와 일치함을 확인한다.

이 논문은 기존에 경험적으로만 사용되던 PE를 엄밀한 확률론적 기반 위에 놓음으로써, 위상 전이 탐지에 대한 일반적이고 모델 독립적인 이론을 제공한다. 또한, 실용적인 “위상 안정화” 절차를 제시해 데이터 기반 연구자들이 유한 시간·유한 샘플 상황에서도 신뢰성 있게 임계점을 추정할 수 있게 한다.