AI와 결정론적 게임 이론으로 보는 양자 이론 확장

초록

본 논문은 양자 실험을 체스와 유사한 결정론적 게임으로 변환하고, 신경망을 이용해 숨은 변수의 보상 함수를 학습함으로써 EPR 2‑2‑2 실험의 통계적 결과를 재현한다. 자유 선택 가정을 약화한 ‘조건부 자유 선택’과 완전 예측 균형(PTE)을 도입해 비내시 균형을 구현하고, KL 발산을 최소화하는 학습 절차를 제시한다. 결과는 베르‑불 불평등을 위반하면서도 결정론적 게임 해석이 가능함을 보여준다.

상세 분석

이 연구는 양자 실험을 ‘관측자 vs 우주’라는 두 플레이어가 참여하는 확장형 게임으로 모델링한다. 기존의 자유 선택(측정 독립성·파라미터 독립성) 가정을 완전히 포기하는 대신, ‘조건부 자유 선택’이라는 호환주의적 약화를 도입한다. 여기서 핵심은 완전 예측(Perfect Prediction) 가정으로, 모든 플레이어가 서로의 전략을 완벽히 예측한다는 전제이다. 이는 전통적 내시 균형이 요구하는 일방적 편차 가정을 없애고, 대신 PTE(Perfectly Transparent Equilibrium)를 정의한다. PTE는 존재할 경우 유일하고 파레토 최적이며, 게임이 비대칭이거나 정보가 불완전해도 적용 가능하다.

보상 함수는 실험의 각 히스토리(측정 설정·결과 조합)에 대한 값을 할당하며, 이는 숨은 변수 λ에 대한 함수로서 신경망으로 파라미터화된다. 논문은 차별화 가능한 PTE 솔버를 구축하고, 온도 파라미터를 도입한 annealed decision 방식으로 미분 가능성을 확보한다. 이렇게 얻은 결정론적 시뮬레이션 결과를 수천·수억 번 반복해 얻은 히스토그램과 양자 이론이 예측하는 Born 규칙 기반 확률 분포 사이의 Kullback‑Leibler 발산을 최소화하도록 신경망을 학습한다.

EPR 2‑2‑‑2 실험에 적용한 결과는 두 관측자 각각 두 개의 측정 설정과 두 개의 결과를 갖는 전형적인 베르‑불 시나리오에서, 학습된 보상 함수가 양자 통계와 거의 일치함을 보여준다. 특히, 베르‑불 불평등을 위반하면서도 게임 자체는 완전 결정론적이며, 자유 선택을 포기한 대신 완전 예측을 가정함으로써 기존 불가능 정리를 회피한다. 이 접근법은 보상 함수가 물리적으로 의미 있는 형태(예: 각 설정 간의 각도 차)로 수렴한다는 점에서도 흥미롭다. 그러나 현재는 보상 함수의 구조를 사전에 물리적 직관에 맞춰 제한했으며, 더 복잡한 다중 파티클·다중 설정 실험에 대한 일반화는 아직 미완성이다.

전체적으로 이 논문은 양자 현상을 게임 이론과 인공지능 최적화 기법으로 재구성함으로써, 로컬 숨은 변수 모델이 양자 통계와 일치하도록 만드는 새로운 방법론을 제시한다. 이는 자유 선택 가정에 대한 철학적·수학적 재검토와, 비내시 균형 개념의 물리학적 적용 가능성을 동시에 탐구한다는 점에서 의미가 크다.