곡률을 요약하는 법

출발 문제

리만 곡률 텐서는 nn차원에서 n2(n21)/12n^2(n^2-1)/12개의 독립 성분을 가진다. 2차원에서는 1개, 3차원에서는 6개, 그리고 4차원 — 우리가 사는 시공간의 차원 — 에서는 20개다. 이 20개의 숫자가 한 점에서의 곡률을 완전히 기술한다. 하지만 이 모든 정보를 항상 다 들고 다녀야 하는가?

물리학에서 비슷한 상황을 생각해 보자. 100명으로 이루어진 집단의 시험 성적을 기술하려면 100개의 숫자가 필요하다. 하지만 실제로 우리가 자주 쓰는 것은 평균, 분산, 중앙값 같은 요약 통계량이다. 정보는 잃지만, 핵심은 남긴다. 곡률 텐서에서도 같은 전략이 가능할까?

더 구체적으로, 아인슈타인이 일반상대성이론의 장방정식을 세울 때 직면한 문제가 바로 이것이었다. 물질의 에너지-운동량 텐서 TijT_{ij}는 대칭 2차 텐서로 독립 성분이 10개다. 이것을 4차 텐서인 리만 곡률(20개 성분)과 직접 등치시킬 수는 없다. 곡률의 적절한 "요약"이 필요했다. 20개를 10개로 압축하되, 물리적으로 의미 있는 방식으로.

패턴

텐서의 성분들을 체계적으로 합산하는 **축약(contraction)**이라는 연산이 있다. 위 첨자와 아래 첨자를 하나씩 짝지어 합산하면, 텐서의 "등급"이 2만큼 줄어든다. 행렬의 대각합(trace)이 가장 친숙한 예시다: n×nn \times n 행렬(2차 텐서)의 대각 성분을 합하면 하나의 수(0차 텐서)가 된다.

리만 곡률 텐서 RijklR^i{}_{jkl}에 이 전략을 적용하자. 첫째와 셋째 첨자를 축약하면 — 즉 Rjl=RijilR_{jl} = R^i{}_{jil}로 합산하면 — 2차 텐서가 남는다. 이것이 리치 텐서다. 4차 텐서의 20개 성분이 대칭 2차 텐서의 10개 성분으로 압축된다. 하지만 정보가 사라진 것은 아닌가? 사라졌다. 리치 텐서가 포착하지 못하는 나머지 10개 성분의 정보는 바일 텐서 CijklC_{ijkl}에 담긴다.

리치 텐서를 한 번 더 축약하면 — R=gijRijR = g^{ij}R_{ij} — 하나의 숫자가 나온다. 스칼라 곡률이다. 10개의 정보를 1개로 압축한 것이니 더 많은 것을 잃지만, "이 점에서 공간이 전체적으로 얼마나 휘어 있는가"라는 가장 거친 요약을 제공한다. 마치 학급 전체의 성적을 평균 한 숫자로 요약하는 것과 같다.

이 축약의 계층 — 리만(4차) → 리치(2차) → 스칼라(0차) — 은 곡률 정보의 자연스러운 압축 경로다. 각 단계에서 정보를 잃지만, 남는 정보는 점점 더 본질적인 기하학적 의미를 갖는다.

정리

리치 곡률은 "부피가 어떻게 변하는가"를 측정한다. 한 점 pp에서 모든 방향으로 거리 ϵ\epsilon만큼 떨어진 점들의 집합 — 측지 공(geodesic ball) — 을 생각하자. 평평한 공간에서 이 공의 부피는 ωnϵn\omega_n \epsilon^n이다(ωn\omega_nnn차원 단위공의 부피). 하지만 곡률이 있으면 부피가 달라진다:

Vol(Bϵ(p))=ωnϵn(1R6(n+2)ϵ2+)\text{Vol}(B_\epsilon(p)) = \omega_n \epsilon^n \left(1 - \frac{R}{6(n+2)}\epsilon^2 + \cdots\right)

여기서 RR은 스칼라 곡률이다. 양의 스칼라 곡률이면 측지 공의 부피가 유클리드 공간보다 작다 — 공간이 "수축"하고 있다는 뜻이다. 구의 표면을 생각하면 직관적이다: 구 위의 작은 원은 평면 위의 같은 반지름의 원보다 면적이 작다. 반대로, 음의 곡률(쌍곡 공간)에서는 측지 공의 부피가 더 크다.

리치 텐서는 이 부피 변화를 방향별로 분해한다. RijvivjR_{ij}v^iv^j는 방향 vv를 따라 측지선 다발이 수렴하는 정도를 알려준다. 양의 리치 곡률이면 그 방향의 측지선들이 모이고, 음이면 흩어진다. 이것이 왜 중요한가? 중력이 바로 이 효과이기 때문이다. 지구 주변에서 자유낙하하는 입자들의 다발은 시간이 갈수록 모인다 — 양의 리치 곡률이다.

아인슈타인 텐서 Gij=Rij12RgijG_{ij} = R_{ij} - \frac{1}{2}Rg_{ij}는 리치 텐서와 스칼라 곡률의 특별한 조합이다. 이 텐서의 핵심 성질은 발산이 정확히 0이라는 것이다: iGij=0\nabla^i G_{ij} = 0. 이것은 순전히 기하학적 항등식(비안키 항등식의 귀결)이지만, 물리적으로는 에너지-운동량의 보존법칙 iTij=0\nabla^i T_{ij} = 0과 정확히 대응한다. 아인슈타인 방정식 Gij=8πGTijG_{ij} = 8\pi G \cdot T_{ij}가 성립하는 이유는, 양변 모두 발산이 0이어야 하기 때문이다. 기하학의 항등식이 물리학의 보존법칙을 보장하는 것이다.

아인슈타인 장방정식의 핵심 — 물질이 시공간을 휘게 하고, 휘어진 시공간이 물질의 운동을 결정한다

정의

핵심 인물과 일화

그레고리오 리치-쿠르바스트로 (Gregorio Ricci-Curbastro, 1853–1925)

리치-쿠르바스트로의 초상

리만 곡률 텐서가 존재한다는 것을 리만이 보였지만, 이것을 체계적으로 다루는 계산 언어를 만든 사람은 리치-쿠르바스트로다. 파도바 대학 교수였던 리치는 1880년대부터 "절대 미분학(calcolo differenziale assoluto)"을 개발한다 — 좌표에 의존하지 않는 텐서 연산의 체계.

리치의 핵심 아이디어 중 하나가 **축약(contraction)**이다. 4개의 첨자를 가진 리만 곡률 텐서 RijklR^i{}_{jkl}에서, 첫째와 셋째 첨자를 합산하면 2개의 첨자를 가진 텐서가 남는다: Rjl=RijilR_{jl} = R^i{}_{jil}. 이것이 리치 텐서다. 곡률의 완전한 정보를 담고 있지는 않지만, "측지선 다발의 부피가 어떻게 변하는가"라는 직관적 의미를 갖는다.

리치 자신은 이 텐서에 특별한 물리적 의미를 부여하지 않았다. 그것은 20년 뒤 아인슈타인의 일반상대성이론에서 이루어진다.

리처드 해밀턴 (Richard S. Hamilton, 1943–2024)

해밀턴의 초상

리치 텐서에 완전히 새로운 생명을 불어넣은 사람은 리처드 해밀턴이다. 1982년, 해밀턴은 획기적인 아이디어를 제시한다: 계량 텐서를 리치 곡률에 따라 흘려보내면 어떨까?

gijt=2Rij\frac{\partial g_{ij}}{\partial t} = -2R_{ij}

이것이 **리치 흐름(Ricci flow)**이다. 곡률이 양인 곳에서는 공간이 수축하고, 음인 곳에서는 팽창한다. 마치 고르지 않은 금속판에 열을 가하면 온도가 균일해지듯, 리치 흐름은 매니폴드의 기하학을 “균일하게” 만든다.

리치 흐름에 의해 울퉁불퉁한 2차원 매니폴드가 점차 매끄럽게 변형되는 과정

해밀턴은 이 흐름을 사용하여 양의 리치 곡률을 가진 3차원 매니폴드가 구와 같다는 것을 증명했다. 하지만 일반적인 3차원 매니폴드에 대해서는 특이점(singularity) 문제에 가로막혔다.

그리고리 페렐만 (Grigori Perelman, 1966–)

페렐만의 초상

2002년 11월, 러시아 수학자 그리고리 페렐만은 arXiv에 짧은 프리프린트를 올린다. 제목: “리치 흐름의 엔트로피 공식과 그 기하학적 응용.” 후속 논문 두 편이 2003년에 이어진다.

페렐만은 해밀턴의 리치 흐름이 특이점에 도달할 때 어떤 일이 벌어지는지를 완전히 분석했다. 특이점이 생기면 매니폴드를 "수술(surgery)"로 절단하고, 각 조각에서 리치 흐름을 다시 시작한다. 이 과정을 반복하면 3차원 매니폴드가 표준적인 조각들로 분해된다는 것을 보인 것이다.

이 결과의 직접적 귀결이 푸앵카레 추측의 증명이다: 단일연결(simply connected)인 닫힌 3차원 매니폴드는 3차원 구와 같다. 1904년에 제기되어 100년간 미해결이었던 문제가 곡률 텐서의 축약이라는 리치의 대수적 조작과 해밀턴의 기하학적 흐름, 페렐만의 해석학적 통찰의 결합으로 풀린 것이다.

페렐만은 이 업적으로 필즈상(2006)과 밀레니엄 상금(2010, 100만 달러)을 수상했으나 모두 거절했다. "증명이 올바르다면 다른 인정은 필요 없다"는 이유였다.

시각화 아이디어

연결되는 세계들

분야 연결
일반상대론 아인슈타인 방정식, 블랙홀의 특이점, 우주론
위상수학 리치 흐름과 푸앵카레 추측 (페렐만, 2003)
기계학습 손실 풍경의 리치 곡률 → 학습이 어려운 영역
최적수송 리치 곡률의 하한과 최적수송의 수축 성질
정보기하학 통계적 매니폴드의 스칼라 곡률 → 추정의 효율성