2차원 에드워즈‑앤더슨 모델에서 일반화된 믿음 전파 알고리즘의 특성 및 개선

논문은 2차원 에드워즈‑앤더슨(Edwards‑Anderson, EA) 스핀 글래스 모델을 대상으로, 기존의 베타 근사(Belief Propagation, BP)와 그 일반화 형태인 Generalized Belief Propagation(GBP)의 성능을 체계적으로 비교·분석한다. 서론에서는 베타 근사가 트리 구조에 정확히 일치하지만, 루프가 풍부한 격자에서는 근사 오차가 급격히 증가한다는 점을 강조한다. 특히 2D EA 모델은 무작위 ±1 결합을 갖는 이징 스핀들의 격자이며, 물리적으로는 영(0) 온도까지 파라메트릭(무자기) 상태를 유지하지만, 저온에서 메타안정 상태가 오래 지속되는 복잡한 동역학을 보인다. 이러한 특성 때문에 빠른 선형 시간 알고리즘이 필요하지만, 정확도는 유지되어야 한다. 베타 근사와 그 구현인 BP는 메시지를 스핀 간의 링크에만 정의하고, 각 스핀에 대한 로컬 필드 u를 업데이트한다. 저자는 BP를 2D EA에 적용했을 때, β≈0.66( T≈1.5) 이하에서만 수렴하고, 그 이하에서는 발산하거나 비물리적 해에 머문다. 이는 베타 근사의 제한점이다. 이를 극복하기 위해 클러스터 변분법(Cluster Variational Method, CVM)을 플라quette(네 스핀 사각형) 수준으로 확장한다. CVM은 지역별 자유에너지와 라그랑주 승수를 도입해, 플라quette, 링크, 스핀 세 종류의 ‘베리프(belief)’를 정의한다. 플라quette‑to‑Link 메시지는 세 파라미터(U, u_i, u_j)로, 링크‑to‑Spin 메시지는 단일 파라미터 u로 표현된다. 라그랑주 승수는 캐비티 필드 형태로 파라미터화되며, 이를 통해 베타 근사의 메시지 방정식을 일반화한다. 방정식(5)와 (6)은 각각 링크‑to‑스핀과 플라quette‑to‑링크 업데이트를 명시한다. 플라quette‑CVM 근사의 평균 경우 분석을 수행해, 임계 역온 β_CVM≈1.22( T≈0.82)를 도출한다. 이는 베타 근사의 β_Bethe≈0.66보다 크게 낮아, CVM이 더 높은 온도에서 스핀 글래스 양상을 포착함을 의미한다. 실제 시뮬레이션에서는 GBP가 β≈0.79( T≈1.27) 부근에서 비파라메트릭(스핀 글래스) 해에 수렴하고, β≈1.0 근처에서 수렴이 멈춘다. 이는 평균 경우 예측과 약간 차이가 있음을 보여준다. 저자들은 GBP가 저온에서 수렴하지 않는 원인을 ‘게이지 자유도’에 기인한다는 점을 밝힌다. CVM 자유에너지에는 라그랑주 승수들의 변환에 대해 불변인 자유도가 존재한다. 기존 구현에서는 이 자유도가 고정되지 않아, 메시지 업데이트 시 서로 상쇄되는 진동이 발생한다. 이를 해결하기 위해 모든 메시지를 동시에 업데이트하고, 특정 플라quette‑to‑Link 메시지의 U를 기준값(예: 0)으로 고정하는 ‘게이지 고정’ 전략을 도입한다. 이 새로운 알고리즘은 ‘Gauge‑fixed GBP’라 명명되며, 저온에서도 안정적으로 수렴한다. 성능 비교에서는 네 가지 알고리즘을 동일한 플라quette‑CVM 자유에너지 최소화 문제에 적용한다. BP는 고온에서만 수렴하고, 저온에서는 발산한다. 기존 GBP는 고온과 중간 온도에서 파라메트릭 해와 스핀 글래스 해 사이를 전환하지만, β≈1.0 이하에서 수렴이 불안정하다. HAK(두‑방향 메시징)과 DL(이중 루프) 알고리즘은 수렴을 보장하지만, 연산 복잡도가 O(N·iteration)·(iteration 수가 수백~수천)로 매우 느리다. 반면, Gauge‑fixed GBP는 한 번의 전체 메시지 패스가 O(N)이며, 수십 번의 반복만으로 충분히 수렴한다. 실제 실험에서 이 알고리즘은 HAK와 DL보다 10~100배 빠른 실행 시간을 보였다. 결론적으로, 플라quette‑CVM 기반 GBP는 베타 근사 대비 물리적 정확도와 수렴 범위 모두에서 우수하며, 게이지 고정 기법을 통해 저온에서도 효율적인 최적화가 가능함을 입증한다. 이는 2D EA와 같은 유한 차원 스핀 글래스뿐 아니라, 외부 필드가 있거나 3D 격자와 같은 더 복잡한 시스템에도 일반화될 가능성을 시사한다. 향후 연구에서는 더 높은 차원의 클러스터(예: 3×3 블록)와 비균일한 결합 분포에 대한 확장, 그리고 실제 이미지 복원 등 응용 분야에의 적용이 기대된다.