인과 불확실성 원리와 매니폴드 파열

이 연구는 Judea Pearl의 do‑calculus가 이산 그래프에서는 완전한 수학적 기반을 제공하지만, 연속적이고 고차원인 생성 모델(예: 점수 기반 확산 모델, Flow Matching)에서는 아직 충분히 이해되지 않은 기하학적·측도론적 문제를 안고 있음을 지적한다. 저자들은 먼저 연속적 인과 모델을 리만 다양체 M 위의 확률 측도 μ₀와 그에 대한 절대 연속 밀도 ρ₀로 정의하고, 전통적인 do‑연산이 초래하는 디랙 델타의 무한 KL 발산 문제를 해결하기 위해 Gaussian mollification을 도입한다. 이를 통해 “Counterfactual Event Horizon”이라는 개념을 제시한다. 이 경계는 개입 목표 x*가 관측 분포의 지원 집합으로부터 거리 D가 충분히 클 때, 즉 D≫Δ (Δ는 관측 데이터의 직경) 일 때 정의되며, 이때 목표 측도 μ_do(x*)₁,σ 의 엔트로피가 차원에 비례해 로그 발산한다. 다음으로, 최적 수송 이론의 Brenier 지도 T에 대한 초기 헤시안 H(T) 를 분석한다. 정리 5에서는 이벤트 호라이즌을 넘는 경우, H(T) 가 특정 상한을 초과하게 되며, 이는 결정론적 흐름이 Riccati 방정식에 의해 지배되는 유한 시간 tc 안에 특이점(쇼크웨이브)을 형성한다는 것을 증명한다. 이 현상은 매니폴드의 국소 곡률이 급격히 변하면서 “Manifold Tearing”이라 부르는 물리적 파열을 일으키며, 개별 데이터 포인트의 정체성을 보존할 수 없게 만든다. 이러한 매니폴드 파열을 방지하기 위해 저자들은 엔트로피를 최소한으로 주입하는 확산 기반 접근을 제안한다. Schrödinger Bridge 프레임워크를 사용해 제어 벡터 필드 u_t와 점성 ε>0 를 도입하면, 확률 흐름은 SDE 형태가 되고, 엔트로피 비용은 KL 발산으로 정량화된다. Bakry‑Émery Γ₂ 계산과 Talagrand T₂ 전송 불평등을 결합해, 개입 강도 D와 엔트로피 비용 사이의 하한식(정리 13)을 도출한다. 이 식은 “Causal Uncertainty Principle”이라 명명되며, 강한 개입일수록 정체성 보존을 위해 반드시 일정량의 엔트로피(무작위성)를 추가해야 함을 수학적으로 명시한다. 알고리즘적 구현 측면에서, 저자들은 Hutchinson trace estimator를 활용해 헤시안의 스펙트럼을 O(1) 비용으로 추정하고, 특이점 위험이 감지될 때만 ε를 동적으로 증가시켜 엔트로피를 주입한다. 이를 “Geometry‑Aware Causal Flow (GACF)”라 부른다. GACF는 기존 결정론적 ODE 흐름이 매니폴드의 “void” 영역을 무시하고 직접 통과하면서 발생하는 비현실적 “Biological Chimera”를 방지한다. 실험에서는 고차원 신경 흐름 모델과 실제 단일 세포 RNA‑seq 데이터셋을 사용해 GACF와 기존 방법을 비교한다. 결과는 GACF가 특이점 발생을 사전에 탐지하고 엔트로피를 주입함으로써, 토폴로지적으로 안전하고 생물학적으로 의미 있는 반사실 샘플을 생성함을 보여준다. 반면, 순수 결정론적 흐름은 매니폴드 파열을 일으키며, 생성된 샘플이 관측 데이터와 불일치하는 현상을 보였다. 결론적으로, 논문은 연속적 인과 추론에서 발생하는 근본적인 기하학적 제약을 정량화하고, 이를 회피하기 위한 이론적·실용적 프레임워크를 제공한다. 이는 고차원 연속 공간에서의 do‑연산이 단순히 최적화 문제가 아니라 토폴로지적·물리적 제한을 내포하고 있음을 강조하며, 향후 인과 생성 모델 설계에 있어 엔트로피 기반 정규화가 필수적임을 설득력 있게 입증한다.