물리학과 AI의 얽힘: 난류 예측부터 대칭 발견, 과학자처럼 추론하는 에이전트까지

핵심 메시지

• AI가 제안한 비직관적인 광학 부품 배치가 중력파 검출기의 감도를 10~15% 높였다는 사례가 강연의 출발점이다. 경험 많은 물리학자들에게는 틀려 보였지만 실제로 작동했다.
• 발표자는 '과학을 위한 AI'와 'AI를 위한 과학'을 둘로 나누는 관점 자체가 틀렸으며, 한쪽의 진전이 다른 쪽을 밀어 올리는 하나의 얽힌 시스템으로 봐야 한다고 주장했다.
• 난류 예측에서는 모델과 데이터를 키우는 것만으로 보존 법칙이 지켜지지 않아 예측이 빠르게 발산했고, 다중 스케일 물리를 귀납 편향으로 넣은 모델이 에너지 스펙트럼을 제대로 재현했다.
• 대칭을 완벽하게 강제하면 대칭이 깨진 실제 데이터에서 오히려 비물리적인 예측이 나온다. 데이터가 담고 있는 대칭의 정도에 맞춰 적응하는 모델이 필요하다는 것이 연구의 결론이다.
• 연구실은 대칭·보존량 탐색 도구를 먼저 호출해 가설 공간을 좁힌 뒤 방정식을 찾아내는 에이전트를 만들고 있으며, 날씨와 정리 증명 영역으로도 같은 구조를 확장하고 있다.

쉽게 이해하기

강연은 한 과학 잡지 기사에서 시작한다. AI 시스템이 설계한 광학 부품 배치가 경험 많은 물리학자들이 보기에는 영리하기는커녕 잘못돼 보였는데, 실제로 시도해 보니 중력파 검출기의 감도가 10~15% 향상됐다는 것이다. 발표자는 이 이야기를 앞으로의 과학이 어떤 모습일지 보여 주는 예고편이라고 표현했다.

그는 두 분야의 장단점을 대비시킨다. 물리학은 시스템을 다루기 쉽게 만들기 위해 가정을 부과하지만, 복잡한 계에서는 계산 비용이 감당하기 어려워지고 새로운 계마다 다른 모델을 설계해야 한다. 반대로 AI 모델은 가정이 거의 없이도 표현력이 크고 처음 보는 데이터에도 합리적인 예측을 내지만, 물리적 추론의 틀이 없고 대부분 블랙박스이며 막대한 데이터를 요구한다. 물리학의 축적된 지식이 AI에 닻을 내려 주고, 미분방정식이나 대칭 같은 구조가 필요한 데이터 양을 줄이면서 설명 가능성을 높인다는 것이 그의 구상이다.

구체적인 사례로는 레일리-베나르 대류 같은 난류 예측이 제시됐다. 업계에서 가장 흔히 나오는 답은 모델과 데이터, 연산을 키우라는 것이지만, 거대한 블랙박스 모델은 난류에서 지켜야 할 보존 법칙을 만족하지 못해 예측을 이어 붙이면 금세 실제와 어긋나고 큰 파수 영역의 에너지 스펙트럼에서 완전히 실패한다. 다중 스케일 동역학을 모델 설계에 심고 잠재 공간에 시간 불변성 같은 사전 지식을 강제하자, 부력 조건이 9에서 21로 달라져도 높은 충실도의 시뮬레이션을 유지하는 모델이 나왔다.

대칭은 이 강연에서 가장 많이 등장하는 주제다. 속도장을 두 배로 키운 뒤 45도 돌리는 것과 먼저 돌린 뒤 키우는 것이 같아야 한다는 성질을 신경망에 심은 등변 모델은 학습 데이터와 다른 조건에서도 예측 오차가 안정적이었다. 다만 외력이 가해져 대칭이 깨진 난류에서는 완벽한 대칭을 강제한 모델이 오히려 비물리적인 결과를 냈다. 그래서 연구팀은 데이터가 실제로 담고 있는 대칭의 양을 측정해 모델이 거기에 맞춰 조절되도록 했다. 나아가 생성자가 군의 원소를 만들어 내고 판별자가 변환 전후 분포를 구분하려 애쓰는 적대적 구조로 대칭을 자동 발견하게 했더니, 대형 하드론 충돌기 데이터에서 로런츠 대칭을 다시 찾아냈다.

후반부는 방향을 뒤집어 물리학이 AI를 개선하는 쪽을 다룬다. 신경망 자체도 대칭을 가지므로 군론을 이용해 손실을 유지한 채 최적화 지형에서 크게 도약하는 옵티마이저를 만들 수 있고, 연속 대칭마다 보존량이 존재한다는 노터 정리를 학습 과정에 적용해 신경망이 수렴하는 방식을 기술할 수 있다는 것이다. 마지막으로 그는 두 방향을 나누지 말고 과학자처럼 행동하는 하나의 시스템을 만들자고 제안하며, 데이터를 받으면 먼저 대칭이나 보존량이 있는지 도구를 호출해 확인하고 가설 공간을 좁힌 뒤 방정식을 찾는 에이전트, 날씨 데이터를 다루는 에이전트, 비형식적 추론으로 정리를 잘게 나눈 뒤 형식 증명 도구에 넘기는 에이전트를 소개했다.

주요 인사이트

• "그냥 스케일을 키우라"는 산업계의 기본 답이 과학 영역에서 왜 부족한지를 구체적 실패로 보여 준 것이 이 강연의 강점이다. 예측을 한 스텝씩 이어 붙이는 롤아웃에서 보존 법칙 위반은 곧바로 누적 오차로 나타난다.
• 대칭에 대한 태도가 특히 실용적이다. 대칭을 넣는 것도, 안 넣는 것도 정답이 아니라 데이터가 실제로 얼마나 대칭적인지를 측정해 모델이 그만큼만 대칭적이 되게 하는 것이 목표라는 관점은 다른 귀납 편향에도 그대로 적용할 수 있다.
• 잠재 공간을 잘 찾는 일이 곧 방정식을 단순하게 만든다는 지적이 흥미롭다. 축소된 좌표를 먼저 발견하면 이후 희소 회귀로 얻는 지배 방정식이 훨씬 깔끔해지고, 반대로 잠재 공간이 엉망이면 지나치게 복잡한 식이 나온다.
• 기후 시뮬레이션 사례는 속도가 곧 의사결정의 질을 바꾼다는 점을 보여 준다. 6개월에서 1년 걸리던 시나리오 계산이 일주일 수준으로 줄면, 정책 결정자가 '만약 이렇게 하면' 식의 질문을 실제로 던져 볼 수 있게 된다.
• 에이전트 설계의 핵심은 대칭 발견을 모델에 심는 대신 도구로 만들어 호출하게 한 것이다. 사람 과학자가 데이터를 받으면 먼저 구조를 살펴 탐색 범위를 좁히듯, 추론과 도구 호출을 반복하는 흐름이 곧바로 기호 정확도와 잡음 견고성으로 이어졌다.

자주 묻는 질문

관련 AI 소식