14장 — 브라운 운동, 랑주뱅, 포커–플랑크

이 장의 물음

경사하강에 잡음을 조금 섞으면 이상한 일이 생긴다. 손실 U(θ) = θ²/2를 θ = 3에서 출발해 학습률 η(에타) = 0.01로 경사하강하면 θ는 바닥 0으로 모여들어 멈춘다. 한 걸음마다 표준정규 잡음에 η를 곱해 더하면 θ는 0 둘레에서 조금 흔들릴 뿐이고, 마르코프 사슬(따로 돌리는 샘플러 하나) 4000개로 재 보면 그 분산은 0.0051이다. 그런데 잡음에 η 대신 √(2η)를 곱하면 흔들림이 갑자기 커져 분산이 0.997이 되고, θ의 값들을 모으면 표준정규분포, 곧 e^(−U)에 비례하는 분포가 나온다. 학습률을 0.1로 바꿔 보면 차이가 더 분명하다. η를 곱한 잡음에서는 분산이 0.052로 학습률을 따라 변하지만, √(2η)를 곱한 잡음에서는 1.04로 거의 그대로다. 웰링과 테(2011)는 이 성질을 큰 데이터의 베이즈 학습에 썼고, 논문 요약에 「표준적인 확률적 경사 최적화 알고리즘에 알맞은 양의 잡음을 더하면, 걸음 크기를 줄여 갈 때 반복값들이 참 사후분포의 샘플로 수렴함을 보인다」고 적었다. 이 방법이 SGLD(stochastic gradient Langevin dynamics)다.

손실 U(θ) = θ²/2에서 경사하강(η = 0.01)에 잡음을 더해 사슬 4000개를 θ = 3에서 시간 30 동안 돌린 결과. 잡음에 η를 곱하면 분산 0.0051로 바닥 둘레에 모이고, √(2η)를 곱하면 분산 0.9972로 목표 분포 e^(−U)(표준정규분포)와 겹친다.

확산 모델에서도 같은 모양이 나온다. DDPM(denoising diffusion probabilistic model, 호·자인·아빌 2020)은 한 단계마다 샘플에 √(1 − ε)를 곱하고 표준편차 √ε인 잡음을 더한다(논문의 기호는 β이지만 역온도 β와 겹치므로 이 장에서는 ε로 쓴다). ε가 작으면 √(1 − ε) ≈ 1 − ε/2이므로, 이 단계는 U(x) = |x|²/2를 걸음 ε/2로 경사하강하면서 잡음 √(2 × ε/2)를 더하는 것과 같다. 분산을 끝없이 키우는 분산 폭발형과 달리 샘플을 원점 쪽으로 조금씩 당기므로, ε를 10⁻⁴에서 0.02까지 늘려 가며 1000단계를 지나면 원래 이미지는 0.0064배만 남고 분포는 데이터와 상관없이 거의 표준정규분포가 된다. 두 경우 모두 「에너지의 내리막으로 η만큼 가고, √(2η)만큼 흔든다」는 규칙을 쓰고, 도착하는 분포는 e^(−에너지)에 비례한다. 잡음은 왜 걸음의 제곱근만큼이어야 하고, 이 규칙은 왜 하필 볼츠만 분포에 도착할까?

이 물음에 답하려면 몇 가지를 차례로 알아야 한다.

잡음을 조금씩 더해 가는 샘플 하나는 어떤 길을 걷고, 그 길의 빠르기는 얼마라고 말할 수 있을까?
그런 샘플을 아주 많이 모으면, 그 분포는 어떤 규칙에 따라 바뀔까?
내리막으로 끄는 힘과 잡음이 함께 있을 때 분포는 어디에 도착하고, 잡음의 크기는 그 도착점을 어떻게 정할까?
끌려가는 흐름과 퍼지는 흐름이 맞서는 골짜기가 여럿이면, 샘플은 골짜기 사이를 얼마 만에 건너갈까?
모멘텀을 쓰는 경사하강처럼 샘플이 운동량(물리량 p. 최적화 기법인 모멘텀과 영어 이름 momentum이 같다)을 가지면, 잡음은 얼마나 넣어야 할까?

랜덤 워크: 동전으로 걷는 사람들의 분포

첫머리의 두 규칙은 모두 샘플에 잡음을 조금씩 더해 간다. 내리막으로 끄는 힘은 잠시 빼고, 잡음만 더해 가는 가장 단순한 경우부터 보자. 잡음을 한 번씩 더할 때마다 샘플 하나는 어디로 갈까? 그리고 그런 샘플을 아주 많이 모으면, 그 분포는 어떤 규칙에 따라 바뀔까?

역사: 피어슨의 편지

1905년 여름 통계학자 칼 피어슨은 모기가 개간한 숲으로 무작위로 퍼져 들어가는 모습을 셈으로 다루려다 『네이처』에 편지를 보내, 한 사람이 일정한 거리를 곧게 걷고 아무 방향으로나 돌아 다시 같은 거리를 걷기를 n번 되풀이할 때 출발점에서 얼마나 떨어져 있을지를 물으며 이것을 「랜덤 워크」라 불렀다. 레일리 경이 곧 답을 보내, 이 물음이 크기가 같고 위상이 제멋대로인 소리 n개를 겹치는 문제와 같다고 짚었다. 피어슨은 그 답을 받아 들고 「트인 들판에서 제 발로 설 수 있는 술 취한 사람을 찾으려면 출발점 근처가 가장 가능성 높은 곳」이라는 교훈을 적었다.

칼 피어슨(1857–1936), 1910년 사진 요판. 출처: Wikimedia Commons(런던 국립초상화미술관 소장), 퍼블릭 도메인

동전을 던져 격자 위를 걷기

정사각 격자의 한가운데 칸에 100만 명이 서 있다. 신호가 울릴 때마다 모든 사람이 동전 두 개를 던져 위, 아래, 왼쪽, 오른쪽 가운데 하나를 똑같은 확률 1/4로 고르고 그쪽으로 한 칸 옮겨 간다. 사람마다 동전을 따로 던지므로 같은 칸에서 출발해도 곧 흩어진다.

\textcolor{#1b9e77}{\mathbf{x}}_{n+1} = \textcolor{#1b9e77}{\mathbf{x}}_{n} + \textcolor{#8c547a}{\mathbf{s}}_{n}, \qquad \textcolor{#8c547a}{\mathbf{s}}_{n} \in \{(1, 0),\ (-1, 0),\ (0, 1),\ (0, -1)\} \ \text{(각각 확률 1/4)}

\begin{array}{ll} \textcolor{#1b9e77}{\mathbf{x}}_{n} & \text{한 사람이 n걸음 뒤 서 있는 칸 (처음에는 원점)} \\ \textcolor{#8c547a}{\mathbf{s}}_{n} & \text{n번째 걸음: 동전 두 개로 고른 한 칸 이동, 걸음마다 새로 던짐} \end{array}

이처럼 걸음마다 따로 뽑은 무작위 이동을 더해 가는 길을 랜덤 워크 (무작위 걸음, random walk)라 한다.

한 사람의 길은 제멋대로다. 왼쪽으로 세 번 연달아 갔다가 오른쪽으로 두 번 돌아오기도 하고, 100걸음 뒤에 출발점에 서 있기도 하고 15칸 떨어진 곳에 가 있기도 하다. 그러나 100만 명을 모아 보면 규칙이 보인다. n걸음 뒤 출발점에서 떨어진 거리 제곱의 평균과, 출발점에 서 있는 사람의 비율, 출발점에서 가로로 10칸 떨어진 칸 (10, 0)에 서 있는 사람의 비율을 재어 보자. 옆에는 한가운데 칸에만 1을 두고 모든 칸을 동시에 이웃 넷의 평균으로 바꾸기를 n번 되풀이했을 때 그 칸에 남는 값을 나란히 적었다.

걸음 수 n	거리 제곱의 평균	원점에 선 비율	이웃 평균: 원점	(10, 0)에 선 비율	이웃 평균: (10, 0)
99	99.07	0	0	0	0
100	100.10	0.00622	0.00633	0.00228	0.00235
400	400.00	0.00161	0.00159	0.00117	0.00124

세 가지가 눈에 띈다. 첫째, 거리 제곱의 평균이 걸음 수와 거의 같다. 100걸음 동안 한 칸씩 쉬지 않고 움직였는데도 출발점에서 떨어진 거리는 평균적으로 √100 = 10칸 남짓이다. 둘째, 사람들의 비율이 이웃 평균을 되풀이한 값과 소수 넷째 자리에서만 조금 다를 뿐 거의 같다. 한 사람 한 사람은 동전에 따라 제멋대로 걸었을 뿐, 누구도 이웃과 평균을 내지 않았는데 말이다. 셋째, 99걸음 뒤에는 원점에도 (10, 0)에도 아무도 없다. 한 걸음마다 가로와 세로 칸 번호의 합이 1씩 바뀌어 홀짝이 뒤집히므로, 홀수 걸음 뒤에는 모두 그 합이 홀수인 칸에 서 있다. 이웃 평균의 값도 99번째에는 두 칸 모두 0이다.

동전 두 개로 100걸음을 걸은 다섯 사람의 길과 도착 거리(4.5, 7.1, 8.6, 5.1, 10.2칸). 오른쪽은 1000명의 도착점으로, 거리 제곱의 평균이 100.3이고 모두 가로 + 세로가 짝수인 칸에 서 있다. 점선 원의 반지름은 √100 = 10칸.

그렇다면 한 사람의 걸음과 모든 칸의 동시 평균은 무슨 관계일까?

사람들의 분포는 이웃 평균을 따른다

n + 1걸음 뒤 어떤 사람이 칸 x에 서 있으려면, n걸음 뒤 x의 이웃 네 칸 가운데 하나에 서 있다가 x 쪽을 가리키는 동전이 나와야 한다. 그 동전이 나올 확률은 1/4이고 동전은 그 사람이 지금까지 어디를 걸어왔는지 기억하지 않으므로, n + 1걸음 뒤 x에 있을 확률은 이웃 네 칸에 있을 확률에 각각 1/4을 곱해 더한 것이다.

\textcolor{#e377c2}{\rho}_{n+1}(\textcolor{#1b9e77}{\mathbf{x}}) = \sum_{\mathbf{s}} \textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}} - \textcolor{#8c547a}{\mathbf{s}}) \cdot \frac{1}{4} = \frac{1}{4}\Big[\textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}} + (1, 0)) + \textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}} - (1, 0)) + \textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}} + (0, 1)) + \textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}} - (0, 1))\Big]

\begin{array}{ll} \textcolor{#e377c2}{\rho}_{n}(\textcolor{#1b9e77}{\mathbf{x}}) & \text{한 사람이 n걸음 뒤 칸 x에 서 있을 확률 (처음에는 원점만 1)} \\ \textcolor{#8c547a}{\mathbf{s}} & \text{한 칸 이동 네 가지, 각각 확률 1/4} \\ \textcolor{#1b9e77}{\mathbf{x}} & \text{칸의 위치 (가로, 세로 칸 번호)} \end{array}

오른쪽 식은 칸마다 이웃 넷의 평균을 내는 규칙 그대로다. 한 사람이 서 있을 확률의 분포는 이웃 평균 규칙을 정확히 따르고, 100만 명의 비율은 그 확률을 표본으로 잰 것이어서 표본 오차만큼만 다르다. 이웃 평균의 규칙은 거꾸로 보면 모든 칸이 제 값을 네 등분해 이웃 네 칸에 하나씩 나눠 주는 것과 같은데, 한 칸의 값을 그 칸에 서 있을 확률로 읽으면 이것은 「그 칸에 선 사람이 네 방향 가운데 하나로 한 칸 옮겨 간다」는 말과 같다. 값을 나눠 주는 결정론적 규칙과 한 사람의 무작위한 걸음은 같은 것을 두 쪽에서 본 것이다.

보법 노트 · 방정식의 답을 걸음으로 얻기

방금은 한 사람의 동전 걸음을 모으자 분포가 따르는 방정식, 곧 이웃 평균의 규칙이 나왔다. 이 길은 거꾸로도 갈 수 있다. 방정식을 직접 푸는 대신 무작위로 여러 번 걸어 보고 그 결과를 평균 내어 방정식의 답을 어림하는 것이다. 이런 계산을 몬테카를로 방법이라 부른다.

이 이름이 붙은 계산은 카드놀이에서 시작했다. 수학자 스타니스와프 울람은 1946년 병을 앓고 회복하던 중 혼자 하는 카드놀이(캔필드 솔리테어)를 하다가, 52장으로 판을 벌였을 때 끝까지 풀릴 확률이 얼마인지 궁금해졌다. 경우의 수를 따지는 계산으로 한참 애쓰던 그는 차라리 판을 백 번 벌여 성공한 횟수를 세는 편이 낫지 않을까 생각했고, 곧바로 중성자가 물질 속으로 퍼지는 문제를 떠올렸다고 회고했다(1983년의 회고로, 1987년 『로스앨러모스 사이언스』 특집호에 인용되었다). 폰 노이만이 이 생각을 받아 1947년 중성자 계산의 계획을 편지로 적었고, 이 계산은 1948년 초기 전자식 컴퓨터 에니악(ENIAC)에서 돌았다. 「몬테카를로」라는 이름은 동료 메트로폴리스가 붙였는데, 울람에게 「몬테카를로에 꼭 가야 한다」며 친척들에게 돈을 빌리던 삼촌이 있었던 일과 무관하지 않다고 그는 적었다. 메트로폴리스와 울람은 1949년 「몬테카를로 방법」이라는 논문을 미국통계학회지에 냈다.

이웃 평균의 방정식과 곧장 이어지는 결과도 있다. 1944년 가쿠타니 시즈오는 평면의 한 영역 안에서 출발한 브라운 운동이 경계에 처음 닿는 곳의 값을 평균하면, 경계에서는 주어진 값을 갖고 안쪽에서는 어느 점의 값이나 둘레의 평균과 같은 함수(라플라스 방정식의 해)가 된다는 것을 보였다. 격자에서 해 보자. 가로세로 10칸인 정사각형의 테두리에서 위쪽 변만 1, 나머지 세 변은 0으로 두고, 안쪽 칸은 모두 이웃 넷의 평균이 되게 한다. 네 변을 돌아가며 1로 둔 네 문제의 답을 더하면 테두리가 모두 1인 문제가 되어 답이 1이므로, 대칭 때문에 한가운데 칸의 답은 정확히 1/4이다. 한가운데에서 출발해 테두리에 닿을 때까지 동전으로 걷게 하고 위쪽 변에 닿은 사람의 비율을 재면, 100명일 때 0.21, 1만 명일 때 0.247, 100만 명일 때 0.2491이었다(한 사람이 평균 29걸음쯤 걷는다). 카드놀이의 성공 확률과 방정식의 해는 서로 먼 물음 같지만, 둘 다 답을 「무작위로 여러 번 해 보고 센 비율」로 바꿔 읽었다.

거리 제곱이 걸음 수와 같은 까닭

거리 제곱의 평균이 걸음 수와 거의 같았던 이유도 한 사람의 걸음으로 읽을 수 있다. n걸음 뒤 위치는 걸음 s₁, s₂, …, sₙ의 합이므로 거리의 제곱은 걸음마다의 제곱 |sᵢ|² = 1의 합 n에, 서로 다른 두 걸음의 곱 sᵢ·sⱼ의 합을 더한 것이다. 두 걸음은 서로 따로 던진 동전으로 정해지고 한 걸음의 평균 이동은 0이므로, 곱의 평균도 0이 되어 교차항이 모두 사라진다. 그래서 거리 제곱의 평균은 정확히 n이다. 여기서 쓴 것은 한 걸음의 평균 이동이 0이라는 것과 걸음들이 서로 독립이라는 것 두 가지뿐이다. 동전 대신 한 걸음에 정규분포를 따르는 변위를 쓰든 걸음 크기를 제멋대로 섞든, 평균이 0이고 서로 독립이면 분산이 걸음마다 더해진다.

ML에서: 샘플 하나와 분포 전체

확산 모델을 학습하는 코드도 이 두 쪽을 오간다. 코드는 이미지 한 장에 잡음을 한 번씩 더할 뿐이어서, 한 사람이 동전을 던져 한 칸씩 걷는 것과 같다. 가로세로 32픽셀짜리 컬러 이미지(CIFAR-10 데이터 모음의 이미지 한 장)는 픽셀마다 빨강·초록·파랑 세 값이 있어 숫자 32 × 32 × 3 = 3072개로 적힌다. 숫자마다 표준편차 0.1인 잡음을 100번 더하면 숫자 하나가 얼마나 움직였는지는 제멋대로여서, 한 번 해 보니 −3.8에서 3.6까지 퍼졌다. 그러나 3072개를 모아 움직인 거리 제곱의 평균을 내면 이론값 100 × 0.1² = 1에서 크게 벗어나지 않고, 이렇게 더하기를 1000번 되풀이해도 그 평균은 1.000 둘레에서 표준편차 0.025만큼만 흔들렸다. 모델이 배워야 하는 것은 이런 이미지들을 모은 분포가 잡음을 더할수록 어떻게 번져 가는지다. 한 장 한 장의 길은 제멋대로여도, 모은 분포는 이웃 평균처럼 결정론적인 규칙을 따르기 때문에 배울 수 있다.

문제 1. 술 취한 사람은 언제 집에 닿을까

피어슨의 물음처럼 술 취한 사람이 한 걸음에 1 m씩, 격자를 따르지 않고 360° 아무 방향으로나 걷는다. 방향은 걸음마다 새로 정한다. (가) 100걸음 뒤 출발점에서 떨어진 거리의 제곱평균은 격자 위 동전 걸음과 같은가? (나) 집은 출발점에서 20 m 떨어져 있다. 떨어진 거리의 제곱평균제곱근이 20 m가 되려면 몇 걸음이 필요한가?

격자가 아니니까 다를 것 같아서 돌려 봤어요. 20만 명이 100걸음 걸었더니 거리 제곱의 평균이 100.2 m²예요. 격자랑 같네요.

걸음 하나의 길이 제곱이 1이고 방향이 제멋대로라 평균 이동이 0이잖아. 그 두 가지만 맞으면 격자든 아니든 교차항이 사라져.

(나)는요?

100걸음에 10 m니까 20 m면 200걸음이요.

걸음 수에 비례하는 건 거리가 아니라 거리의 제곱이야. 거리를 두 배로 하려면 거리 제곱은 네 배, 400걸음이 필요해.

아, 그렇네요. 400걸음으로 돌리니 제곱평균제곱근이 19.97 m예요. 두 배 멀리 가는 데 네 배 걸리는 거였어요.

그래서 피어슨의 말대로 술 취한 사람은 출발점 근처부터 찾는 게 낫죠.

조별 과제 회의가 매번 아무 쪽으로나 흘러가면, 안건에서 두 배 멀어지는 데 회의가 네 번 필요한 셈이네요.

문제 2. 걸음이 들쭉날쭉하거나 지난 걸음을 닮으면

격자 위의 사람이 걸음마다 네 방향 가운데 하나를 고른다. (가) 방향은 1/4씩 고르게 고르고, 한 걸음에 한 칸 또는 세 칸을 반반의 확률로 간다면 100걸음 뒤 거리 제곱의 평균은? (나) 이번에는 늘 한 칸씩 가되, 직전 걸음과 같은 방향을 확률 1/2로 다시 고르고 나머지 세 방향을 1/6씩 고른다면?

(가)는 한 걸음이 평균 두 칸이니까 2² × 100 = 400이요.

돌려 보면 501이야. 걸음마다 더해지는 건 걸음 길이 제곱의 평균이잖아. (1 + 9)/2 = 5니까 100걸음이면 500이지.

평균 걸음을 먼저 제곱해 버렸네요. 평균의 제곱이랑 제곱의 평균은 다르죠.

(나)는 걸음 길이가 늘 1이에요. 그럼 100이 나올까요?

평균 이동은 여전히 0인데… 두 걸음이 독립이 아니에요. 직전과 같은 방향이 1/2, 반대 방향이 1/6이니까 이웃한 두 걸음의 곱의 평균이 1/2 − 1/6 = 1/3이에요. 교차항이 사라지지 않아요.

돌려 보니 198이에요. 거의 두 배네요.

그래요. 걸음이 서로 닮으면 교차항이 남아서 더 빨리 퍼져요. 거리 제곱이 걸음 수와 같다는 결론은 평균 이동이 0이고 걸음들이 독립이라는 두 조건이 모두 있어야 서요.

서로 직교하는 벡터를 더할 때만 길이 제곱이 각 길이 제곱의 합이 되는 거랑 같네요. 직교가 깨지면 내적이 남고요.