AI와 물리학

새로운 패러다임: 인간지능+인공지능

01 물리학에서 AI
02 모델과 매개변수를 추론하다
03 계산을 가속화하다
04 물리상수를 찾아낼 수 있을까
05 AI에서의 물리학
06 AI의 작동 원리 탐구
07 물리학이 제시한 새로운 알고리즘
08 양자물리와 AI
09 노벨상과 AI
10 데이터, 정보, 물리 그리고 AI

‘목욕물을 버리면서 아이도 버리지 마라’라는 표현은 종종 단순화를 추구하는 물리학의 정수를 표현하는 데 인용된다. 예를 들어, 잉크 방울 확산 현상에서 아보가드로 수의 물 분자와 충돌을 모두 하나의 숫자 온도로 표현하는 것처럼, 물리학에서는 복잡한 시스템을 단순화하여 본질적인 특성을 추출하는 작업이 중요하다. 복잡한 시스템을 단순화하는 방법은 유효 모델(Effective Model), 거칠게 그레인된 모델(Coarse-Grained Model), 경험적 모델(Empirical Model)로 나뉜다. 세부적 차이는 논의하지 않겠지만 결국 복잡한 시스템을 단순화하여 주요 특성을 설명하는 데 중점을 둔다. 세부적 구조를 생략하고 큰 규모에서 특성을 묘사하거나 실험적 데이터를 기반으로 시스템의 동작을 설명하거나 예측한다. 이 모델들의 공통점은 복잡성을 줄여 이해하기 쉬운 형태로 만드는 것인데 이러한 단순화 과정은 다양한 지식을 엮어내는 인간의 지능을 활용하여 이루어지고, 모델 속의 매개변수를 추정하고 측정함으로써 새로운 지식으로 확장된다. 데이터 기반 접근은 기존의 이론 기반 접근과 달리 방대한 데이터를 활용하여 변수들 사이의 관계를 추론하며, 물리학에서 매우 중요하다. 특히 AI는 이러한 데이터 기반 모델링으로 우리가 기존에 인지하지 못했던 자연현상의 패턴을 발견하고, 이로써 새로운 물리적 법칙을 도출할 가능성을 열어 준다.

－02_“모델과 매개변수를 추론하다” 중에서

물리 법칙에 기호적 회기 분석을 적용하는 것은 이론적으로 가능한 일이지만, 현실적으로는 매우 복잡하다. 모든 변수를 모든 형태의 연산과 함수에 넣어보는 것은 경우의 수가 너무 많아 계산이 불가능하다. 이 문제는 컴퓨터 과학에서 ‘엔피 하드(NP-hard)’ 문제로 알려져 있다. 엔피 하드 문제는 현재의 알고리즘으로는 효율적으로 해결할 수 없는 문제로, 가능한 모든 경우의 수를 일일이 확인해야만 답을 찾을 수 있다. 이는 문제의 크기가 조금만 커져도 해결에 필요한 시간이 기하급수적으로 증가함을 의미한다. 이를테면, 엔피 하드 문제는 마치 매우 복잡한 자물쇠를 푸는 것과 같다. 이 자물쇠는 수많은 조합이 가능하고, 올바른 조합을 찾으려면 모든 조합을 하나씩 다 시도해 봐야 한다. 자물쇠의 조합 수가 많아질수록 모든 조합을 시도해 보는 데 걸리는 시간도 기하급수적으로 증가한다. 기호적 회기 분석으로 물리 법칙을 찾는 것도 마찬가지로, 모든 가능한 수식을 다 시도해 보는 것은 사실상 불가능하다.

－04_“물리상수를 찾아낼 수 있을까” 중에서

물리학적 개념을 적용한 신경망은 물리학적 제약을 직접 적용하지 않지만, 물리적 현상을 학습하는 방식에서 학습하는 과정을 고려할 수 있는 모델이다. 다시 말하면 학습이 잘 안 되는 경우 무작정 주먹구구식으로 초매개변수를 이것저것 바꾸지 않고 학습 전략을 세울 수 있다는 매우 커다란 이점이 있다. 즉, 확산 모델, 심플렉틱 신경망, 그리고 상미분 신경망는 각각 물리학의 확산, 심플렉틱 기하학, 미분 방정식을 활용하여 AI 모델이 더 복잡한 데이터와 시간적 변화를 처리하고, 예측의 정확성을 높일 수 있도록 해 준다는 것이다. 이러한 접근법으로 만들어진 AI 모델은 물리학과 AI의 융합으로 매우 복잡한 문제를 해결하는 데 중요한 역할을 하고, 물리적 시스템을 더 정교하게 다루고 분석할 수 있게 할 것으로 기대된다.

－07_“물리학이 제시한 새로운 알고리즘” 중에서