복잡계의 엔트로피 기반 마코프 파티션 근사화

본 논문은 복잡계의 동역학적 궤적을 심볼릭 시퀀스로 변환하는 과정에서 핵심적인 역할을 하는 생성 마코프 파티션(Generating Markov Partition, GMP)의 실용적 근사화를 목표로 한다. 전통적인 GMP는 시스템의 불안정·안정 다양체를 무한 정밀도로 알아야만 정의될 수 있어, 실제 실험 데이터(예: EEG, 기후 관측)와 같이 해상도와 시간 길이가 제한된 경우 적용이 불가능했다. 저자들은 이러한 제약을 극복하기 위해 엔트로피 기반의 파티션 설계 방법을 제안한다. 핵심 아이디어는 파티션을 조정해 Shannon Information Rate(SIR, h_L)가 단어 길이 L에 대해 최대이면서 변동이 최소가 되도록 하는 것이다. SIR은 심볼 시퀀스의 평균 정보량을 나타내며, L이 커질수록 Kolmogorov‑Sinai 엔트로피에 수렴한다. 따라서 SIR이 일정하고 높은 파티션은 심볼 시퀀스가 메모리리스(Markovian) 특성을 갖고, 원래 연속 궤적의 정보를 거의 손실 없이 보존한다는 의미다. 구체적인 절차는 다음과 같다. 첫째, 시스템의 상태공간을 일정한 격자 해상도로 분할하고, 각 격자 셀에 고유 심볼을 할당한다. 둘째, 관측된 데이터(시간 시계열)를 이용해 각 심볼의 출현 빈도와 L‑길이 단어들의 확률 분포를 추정한다. 셋째, 이 확률 분포를 기반으로 SIR h_L을 계산하고, 파티션 위치를 변동시켜 h_L이 최대이면서 L에 대해 변동이 적은 파티션을 탐색한다. 넷째, 최적 파티션이 확보되면, 해당 심볼 시퀀스로부터 불변 확률 측도(μ), Kolmogorov‑Sinai 엔트로피, Lyapunov 지수 등 동역학적 특성을 추정한다. 저자들은 이 방법을 네트워크 결합 맵 모델에 적용해 검증하였다. 각 노드에 로지스틱 맵을 배치하고, 인접 노드와 비선형 결합을 도입한 네트워크를 구성하였다. 파티션 차수(q)를 1, 2, 3으로 변화시키며 SIR을 계산한 결과, 차수 2 파티션에서 가장 높은 SIR와 최소 변동성을 관측했다. 이 파티션을 이용해 추정한 불변 확률 측도는 직접 수치 적분으로 얻은 이론적 μ와 높은 상관관계를 보였으며, Kolmogorov‑Sinai 엔트로피와 Lyapunov 지수 역시 기대값에 근접했다. 이러한 결과는 제안된 엔트로피 기반 파티션이 실제 GMP와 동등한 수준의 정보를 제공함을 시사한다. 논문의 주요 공헌은 다음과 같다. (1) 불안정·안정 다양체를 직접 계산하지 않고도, 데이터 기반으로 근사 GMP를 구축하는 실용적 프레임워크를 제공한다. (2) SIR의 최대·불변성을 파티션 최적화 기준으로 삼아, 심볼 시퀀스의 마코프성(무기억성)을 보장한다. (3) 제한된 해상도와 유한 시간 길이의 데이터에서도 불변 확률 측도와 정보 이론적 지표를 정확히 추정할 수 있음을 실험적으로 입증한다. (4) 뇌 전기생리(EEG), 심장 전기신호(EKG), 기후 온도 이상 등 다양한 실세계 복잡계에 적용 가능성을 제시한다. 한계점으로는 고차원 시스템에서 파티션 탐색 비용이 급격히 증가할 수 있다는 점과, 최적 파티션이 유일하지 않을 가능성이 있다는 점을 들 수 있다. 또한, 현재는 정적 파티션(고정된 격자)을 사용하므로, 비정상적(non‑stationary) 데이터나 급격히 변하는 시스템에 대한 적응형 파티션 설계가 필요하다. 향후 연구에서는 메타휴리스틱 최적화(예: 유전 알고리즘, 입자 군집 최적화)와 온라인 파티션 업데이트 기법을 도입해 계산 효율성을 높이고, 실시간 뇌·심장·기후 모니터링에 적용하는 방안을 모색할 수 있다. 결론적으로, 본 연구는 복잡계 데이터를 심볼릭 형태로 변환하면서 정보 손실을 최소화하고, 마코프성이라는 핵심 특성을 보존하는 새로운 엔트로피 기반 파티션 방법을 제시함으로써, 복잡계 분석에 필요한 정보 이론적 도구들을 실험적 데이터에 직접 적용할 수 있는 길을 열었다.