인공지능(AI)이 복잡한 물리 시스템을 학습하고 예측하는 능력이 발전하면서, AI 모델이 실제 세계의 근본적인 물리 법칙, 특히 보존 법칙(conservation law)을 얼마나 잘 따르는지가 중요한 문제로 떠오르고 있습니다. 최근 홍보 왕(Hongbo Wang) 연구팀은 이 질문에 답하기 위해 '인증된 예측 범위(certified horizon)'라는 새로운 개념을 도입했습니다. 이는 AI 모델이 학습한 잠재 표현(latent representation)을 기반으로 물리적 불변량(physical invariant)을 얼마나 오랫동안 정확하게 유지할 수 있는지 미리 측정하는 방법입니다.
이 연구의 핵심은 AI 모델이 학습한 잠재 공간(latent space)의 해밀턴 역학(Hamiltonian)이나 스칼라 값(scalar witness)이 아닌, 잠재 상태를 실제 물리량으로 다시 디코딩(decoding)했을 때 얻어지는 '해독된 물리적 불변량(decoded physical invariant)'에 초점을 맞춘다는 점입니다. 기존 방식으로는 모델이 내부적으로는 보존 법칙을 따르는 것처럼 보여도 실제 물리량에서는 오차가 발생할 수 있기 때문입니다. 연구팀은 이러한 해독된 물리적 불변량에 대해 '쉘-예측 범위 인증서(shell-horizon certificates)'를 도출했으며, 이 인증서는 표현 학습(representation learning), 읽기(readout), 잠재 역학(latent dynamics) 등 모델의 각 부분에서 발생하는 결함(defect)을 예산처럼 분해하여 측정합니다.
실험 결과, 보존 법칙 인증은 학습된 표현에서도 살아남을 수 있지만, 모든 기하학적 사전 지식(geometric priors)이 똑같이 잘 유지되는 것은 아니라는 점이 밝혀졌습니다. 예를 들어, 엄격한 정준(canonical) 심플렉틱(symplectic) 구조는 알려진 위상 좌표(phase coordinates)에서 가장 긴 예측 범위를 제공했지만, 학습된 차트(learned chart)에서는 잘 작동하지 않았습니다. 반면, 제어된 립시츠 정렬(controlled-Lipschitz-aligned) 소프트 불변량(soft invariant)은 학습된 표현 환경에서도 잘 유지되었습니다. 이는 AI가 복잡한 물리 시스템을 모델링할 때 단순히 데이터를 학습하는 것을 넘어, 물리 법칙의 본질적인 구조를 어떻게 효과적으로 통합할 것인지에 대한 중요한 통찰을 제공하며, AI 기반 시뮬레이션 및 제어 시스템의 신뢰성을 높이는 데 기여할 것입니다.