혼돈 속에서 단순한 규칙을 찾아내는 새로운 AI 프레임워크 개발

섹션별 상세

듀크 대학교 연구진은 아이작 뉴턴과 같은 역학자들의 접근 방식을 모방하여 복잡한 시스템의 진화 과정을 분석하고 이를 설명하는 명확한 방정식을 생성하는 AI를 구축했다. 이 AI는 수백 또는 수천 개의 상호작용하는 변수가 포함된 비선형 시스템을 훨씬 적은 차원의 단순한 규칙으로 축소하는 능력을 갖췄다.

이 프레임워크는 1930년대 수학자 버나드 쿱만이 제시한 이론적 개념을 현대적 AI 기술로 구현했다. 복잡한 비선형 시스템을 선형 모델로 표현하기 위해 과거에는 수천 개의 방정식을 직접 작성해야 했으나, 연구팀은 딥러닝을 통해 이 과정을 자동화하여 인간 연구자가 다루기 힘든 복잡성을 해결했다.

연구팀은 시계열 데이터를 학습하고 물리적 제약 조건을 적용하여 시스템의 본질적인 동작을 포착하는 최소한의 변수 집합을 식별한다. 실험 결과, 펜듈럼의 흔들림부터 전기 회로 및 기후 모델에 이르기까지 다양한 시스템에서 기존 방식보다 10배 이상 작은 크기로도 정확한 장기 예측이 가능한 모델을 생성했다.

단순한 예측을 넘어 시스템이 자연스럽게 수렴하는 안정 상태인 어트랙터를 식별하는 기능을 제공한다. 이를 통해 시스템이 정상 작동 중인지 또는 불안정 상태로 표류하고 있는지 판단할 수 있는 이정표를 제시하며, 물리 법칙이 완전히 알려지지 않은 영역에서도 데이터 기반의 추론을 가능하게 한다.

용어 해설

비선형 시스템(Nonlinear System): — 입력의 변화가 출력의 변화로 일정하게 이어지지 않는 복잡한 시스템이다. 기상 현상이나 생물학적 반응처럼 예측이 어려운 혼돈 상태를 포함하며, 이를 단순화하는 것이 과학적 분석의 핵심 과제이다.
쿱만 이론(Koopman Theory): — 1930년대 버나드 쿱만이 제안한 수학적 개념으로, 복잡한 비선형 동역학계를 무한 차원의 선형 공간으로 변환하여 분석할 수 있다는 이론이다. 현대 AI와 결합하여 복잡한 데이터를 다루기 쉬운 선형 방정식으로 모델링하는 데 사용된다.
어트랙터(Attractor): — 동역학계가 시간이 흐름에 따라 특정 상태나 궤적으로 수렴하는 경향을 보이는 기하학적 구조이다. 시스템의 안정성을 판단하는 중요한 지표이며, AI가 이를 식별하면 복잡한 현상의 장기적인 거동을 이해할 수 있다.
시계열 데이터(Time-series Data): — 일정 시간 간격으로 기록된 데이터의 집합으로, 주식 가격이나 기온 변화처럼 시간의 흐름에 따른 변화를 분석하는 데 사용된다. 이 아티클의 AI는 이러한 데이터에서 시스템의 진화 규칙을 추출한다.
차원 축소(Dimension Reduction): — 수천 개의 변수 중 핵심적인 정보만을 남기고 데이터의 복잡도를 줄이는 기법이다. AI가 복잡한 물리 현상을 소수의 변수로 구성된 단순한 방정식으로 요약하는 과정에서 핵심적인 역할을 한다.

기술

Deep Learning
Koopman Theory
Physics-informed Neural Networks

활용 사례

기후 변화 예측
전기 회로 분석
생물학적 신호 처리
이상 징후 탐지

언급된 리소스

DemoAutomated Global Analysis Project Website

DemoResearch Video Demonstration

논문Automated global analysis of experimental dynamics through low-dimensional linear embeddings