인과와 구성적 추상화

초록

이 논문은 저수준 인과 모델을 고수준 설명 모델로 변환할 때 인과 구조를 보존하는 추상화 과정을 범주론적 자연변환으로 정형화한다. 하향·상향 추상화, 구성요소 수준 추상화 등을 정의하고, 기존의 여러 인과 추상화 개념을 하나의 프레임워크로 통합한다. 또한 양자 회로와 고전 인과 모델 사이의 추상화 가능성을 탐색한다.

상세 분석

논문은 먼저 “구성적 모델”이라는 일반적인 틀을 제시한다. 이는 쿼리 집합과 의미론을 갖는 모노이달, cd‑ 또는 마코프 범주 안에서 정의되며, 인과 모델은 이러한 구성적 모델의 특수 사례로 본다. 핵심 아이디어는 두 모델 사이의 추상화를 자연변환(natural transformation)으로 표현하는 것이다. 자연변환은 고수준 모델의 쿼리를 저수준 모델의 쿼리와 연결하고, 동시에 의미론적 해석을 일관되게 매핑한다.

두 가지 기본 추상화 유형을 구분한다. 하향 추상화는 고수준 쿼리를 저수준 쿼리로 내려보내는 과정으로, 실제 구현 단계에서 어떤 실험이나 관측이 고수준 질문에 대응되는지를 명시한다. 반대로 상향 추상화는 저수준의 구체적 개입(예: do‑intervention)을 고수준의 추상적 개입으로 올려보낸다. 기존 문헌에서는 주로 상향 추상화가 강조되었지만, 저자들은 하향 추상화가 보다 근본적인 역할을 한다고 주장한다.

특히 구성요소 수준 추상화를 도입해 모델의 개별 메커니즘(노드·함수)까지 일치시키는 강력한 형태를 정의한다. 이는 기존의 “구성적 인과 추상화”(constructive causal abstraction)를 메커니즘 수준에서 강화한 것으로, 저자는 이를 위한 특징화 정리(characterisation theorem)를 증명한다. 즉, 각 저수준 메커니즘이 고수준 메커니즘과 동형인 경우에만 완전한 구성요소 추상화가 가능함을 보인다.

마지막으로 논문은 범주론적 틀을 양자 회로 모델에도 확장한다. 양자 회로는 마코프 범주의 양자 버전으로 해석될 수 있으며, 여기서 정의된 자연변환을 통해 양자 회로와 고전 인과 모델 사이에 의미론적 매핑을 시도한다. 이는 “설명 가능한 양자 AI”를 위한 첫 걸음으로, 양자 연산의 원시적 물리적 현상을 고수준 인과 논리로 해석할 수 있는 가능성을 제시한다. 전체적으로 이 연구는 인과 추상화의 수학적 기반을 통합하고, 기존 파편화된 정의들을 하나의 범주론적 언어로 통일함으로써, 인과 추론, 과학적 모델링, 그리고 차세대 AI 시스템 설계에 새로운 이론적 도구를 제공한다.