복잡도 강화 거리로 보는 양자 다체 동역학 자동 분류

초록

**
본 논문은 시간에 따라 변하는 양자 다체 시스템의 관측값 시계열을 순수 데이터 기반으로 분류하기 위해, ‘시간 변동 복잡도(TFC)’를 이용한 복잡도 강화 거리(TFCAD)를 제안한다. TFCAD를 확산 지도(diffusion map)와 결합하면, 사전 물리 지식 없이도 이산 시간 결정자, Aubry‑André, Quantum East 등 다양한 모델의 위상(phase)을 정확히 구분하고, 잡음·불완전 데이터에서도 강인한 성능을 보인다.

**

상세 분석

**
이 연구는 양자 비평형 다체 시스템의 동역학적 시계열을 “거리”라는 형태로 정량화하는 새로운 프레임워크를 제시한다. 기존의 비지도 학습에서는 주로 정적 물리량(예: 파동함수, 미시적 배치) 혹은 유클리드 거리만을 사용했지만, 시간에 따른 변동 패턴을 무시함으로써 중요한 위상 정보를 놓치는 경우가 많았다. 저자들은 이를 보완하기 위해 ‘시간 변동 복잡도(TFC)’를 도입한다. TFC는 연속된 시점 사이의 상태 벡터 차이의 제곱합을 누적한 값으로, 시계열이 고주파 성분을 많이 포함할수록 궤적이 크게 늘어나 큰 TFC 값을 갖는다.

복잡도 강화 거리 TFCAD는 기본 유클리드 거리 M₍ᵢⱼ₎에 복잡도 비율 E₍ᵢⱼ₎를 β 거듭제곱으로 가중한 형태이다. E₍ᵢⱼ₎ = max(Cᵢ+δ, Cⱼ+δ) / min(Cᵢ+δ, Cⱼ+δ) 로 정의되며, δ는 0에 가까운 양의 수로 분모가 0이 되는 것을 방지한다. β가 0이면 순수 유클리드 거리와 동일하고, β가 커질수록 복잡도 차이가 큰 시계열 간 거리가 급격히 확대된다. 이 메커니즘은 동일한 평균값을 갖지만 주파수 스펙트럼이 다른 두 신호를 효과적으로 구분한다는 실험적 예시(Fig. 1d)를 통해 입증된다.

정의된 거리 행렬 ˜M을 Gaussian 커널 Kᵢⱼ = exp(−˜Mᵢⱼ² / εL²) 로 변환하고, 이를 확산 지도 알고리즘에 투입한다. 확산 지도는 고유값 λₙ≈1인 몇 개의 주요 고유벡터 ϕₙ을 추출해 저차원 매니폴드에 투사한다. 이 매니폴드 상에서 군집화(clustering)를 수행하면, 서로 다른 양자 위상이 자연스럽게 구분된다.

논문은 세 가지 대표 모델에 대해 TFCAD‑기반 확산 지도의 성능을 검증한다.

1. 이산 시간 결정자(DTC) 모델 – Floquet 구동 하에 전이와 비전이 구역을 포함하는 4상 위상도를 재현한다. Loschmidt echo(L) 시계열을 입력으로 사용했으며, β=10일 때 유클리드 거리만으로는 구분되지 않던 0‑π 파라자성·페리자성 경계가 명확히 드러난다.

2. Aubry‑André(AA) 모델 – 비상호작용 경우 h=2에서의 단일입자 전이점과, 상호작용 V>0에서의 열‑MBL 전이를 동시에 탐지한다. β=0에서는 고유값이 하나만 1에 근접해 위상 구분이 불가능하지만, β=10에서는 두 개 이상의 고유값이 1에 가까워져 h=2에서의 급격한 ϕ₂ 변화를 포착한다.

3. Quantum East 모델(본문에 상세히 기술되지 않았지만 언급) – 복잡도 강화가 잡음·불완전 데이터에서도 위상 구분을 유지함을 시연한다.

또한, 저자들은 “learning by confusion”과 실루엣 계수(S)를 결합해 전이점 자동 탐지를 수행하고, β를 조절함으로써 거리 스케일링을 최적화한다. 복잡도 강화가 고주파 성분을 강조하고, 저주파·저변동 시계열을 억제함으로써, 기존 방법이 놓치던 미세한 동역학 차이를 부각시킨다.

실험적 검증 외에도, 복잡도 강화 거리의 수학적 성질을 분석한다. β→∞일 때는 복잡도 비율이 무한히 확대되어 복잡도 차이가 큰 시계열은 사실상 무한 거리를 갖게 되며, 이는 군집화에서 완전한 분리를 의미한다. 반대로 β=0이면 기존 유클리드 기반 방법과 동일한 결과를 재현한다. 따라서 β는 데이터 특성(노이즈 수준, 샘플 수, 시계열 길이 등)에 따라 조정 가능한 하이퍼파라미터가 된다.

마지막으로, 저자들은 이 방법이 양자 물리학을 넘어 지진·쓰나미 탐지, 재난 예측, 금융 시계열 분석 등 복잡계 전반에 적용 가능함을 제시한다. 복잡도 기반 거리 측정은 시계열의 내재된 변동 구조를 직접 반영하므로, 사전 도메인 지식이 부족한 분야에서도 유용하게 활용될 수 있다.

**