생성형 인공지능(AI) 모델은 이미지나 텍스트 같은 복잡한 데이터를 만들어내는 데 놀라운 발전을 이루었지만, 여전히 근본적인 한계에 직면해 있습니다. 모델이 데이터 전체의 구조적 일관성(global coherence)을 포착하려면 막대한 계산 비용이 들고, 반대로 계산 효율성을 높여 지역적(local)으로만 모델링하면 전체적인 일관성이 떨어지는 문제가 발생합니다. 이 상충 관계는 고품질의 대규모 데이터 생성을 어렵게 만드는 주요 원인입니다.
최근 칸타 마스키(Kanta Masuki)와 유토 아시다(Yuto Ashida) 연구팀은 이 문제를 해결하기 위해 물리학의 재규격화군(Renormalization Group, RG) 이론을 생성 모델에 접목한 '재규격화군 플로우 매칭(RGFM)'이라는 새로운 프레임워크를 제안했습니다. RG 이론은 다양한 길이 스케일(length scale)에 걸쳐 공간 구조를 연결하며, 각 단계에서 준지역적(quasi-local) 설명을 유지하면서도 장거리 상관관계를 보존하는 특성이 있습니다. RGFM은 이 RG 흐름을 확률 경로로 사용하여, 데이터 생성을 장파장(long-wavelength) 구조에서 단파장(short-wavelength) 구조로 점진적으로 진행합니다. 연구팀은 RG의 준지역성(quasi-locality)과 스케일 분리(scale separation) 특성을 활용해, 시스템 크기에 거의 선형적으로 비례하는 계산 비용으로도 장거리 상관관계를 정확하게 포착할 수 있음을 이론적으로 증명했습니다. 이는 기존 지역적 플로우 매칭(local flow matching)이 장거리에서 큰 오류를 보이는 것과 대조적입니다.
실험 결과는 RGFM의 효과를 명확히 보여줍니다. 1차원 분포 실험에서 RGFM은 수용 필드(receptive field)를 훨씬 뛰어넘는 장거리 상관관계를 재현했으며, FFHQ 이미지 데이터셋에서는 64x64 및 256x256 해상도에서 기존 지역적 플로우 매칭보다 훨씬 더 일관성 있고 고품질의 샘플을 생성했습니다. 이는 RG 이론이 대규모 생성 모델링에서 장거리 구조를 지역적 계산만으로 포착하는 유망한 경로임을 시사합니다. 이러한 접근 방식은 향후 고해상도 이미지, 비디오, 3D 모델 등 복잡하고 거대한 데이터를 생성하는 데 필요한 계산 효율성과 품질을 동시에 확보하는 데 중요한 기여를 할 것으로 기대됩니다.