베티수

4 Contents

[카오스 짧강] Vietoris-Rips Complex

데이터는 개별적인 점으로 존재할 때는 그 의미를 파악하기 어렵지만, 멀리서 바라보면 구름처럼 특정한 모양을 형성합니다. 위상 데이터 분석(TDA)은 바로 이러한 데이터의 기하학적 구조를 파악하여 정보를 추출하는 혁신적인 기술입니다. 보이지 않는 데이터의 전개도를 그리는 과정은 연구자들에게 매우 중요한 과제이며, 내가 가진 데이터에 어떤 모양을 부여할 것인가를 결정하는 것이 위상 데이터 분석(TDA) 기술의 핵심적인 출발점이 됩니다. 데이터에 모양을 부여하는 대표적인 방법 중 하나는 '비토리스-립스 복합체'라는 아이디어입니다. 이는 가까운 거리에 있는 점들을 서로 연결하여 하나의 형태를 만드는 방식입니다. 이때 '가깝다'는 기준을 수학적으로 엄밀하게 정의하기 위해 임계값인 엡실론을 사용합니다. 엡실론 값을 0부터 서서히 키워나가면 떨어져 있던 점들이 하나둘 연결되면서 데이터의 구조가 변화하고, 그 과정에서 데이터가 가진 본질적인 모양이 서서히 드러나게 됩니다. 임계값이 변화함에 따라 수학자들은 베티 수를 계산하여 모양의 변화를 추적합니다. 베타 0은 연결된 덩어리의 개수를, 베타 1은 구멍의 개수를 의미합니다. 임계값이 커질수록 수많은 연결선이 나타나지만, 그중에서 오랫동안 유지되는 긴 선들은 데이터의 핵심적인 특징을 나타내고 금방 사라지는 짧은 선들은 노이즈로 간주합니다. 이러한 지속성을 분석하면 복잡한 데이터 속에 숨겨진 구조를 명확하게 파악하여 데이터의 분포를 짐작할 수 있습니다. 실제로 두 개의 구멍을 가진 8자 모양의 데이터를 분석해 보면, 베타 1에서 두 개의 긴 선이 뚜렷하게 관찰되는 것을 확인할 수 있습니다. 이는 데이터가 하나의 덩어리로 뭉쳐 있으면서도 내부에 두 개의 중요한 순환 구조를 가지고 있음을 시사합니다. 이처럼 수치화된 베티 수의 변화 과정을 시각적으로 해석함으로써, 우리는 직접 눈으로 확인할 수 없는 고차원 데이터가 어떤 기하학적 형상을 띠고 있는지 논리적으로 추론하고 그 특징을 규명할 수 있게 됩니다. 위상 데이터 분석(TDA)의 일차적인 목표는 데이터가 가진 고유한 모양을 밝혀내는 것입니다. 비록 모양 그 자체만으로는 즉각적인 실생활의 해답을 주지 못할지라도, 기존의 통계적 방법으로는 발견하기 어려웠던 데이터 내부의 구조적 정보를 추출해낸다는 점에서 매우 강력한 가치를 지닙니다. 데이터 마이닝의 새로운 지평을 여는 이 기술은 복잡한 정보의 바다 속에서 유의미한 통찰을 얻기 위한 필수적인 과정이며, 현대 데이터 과학의 중요한 축을 담당하고 있습니다.

[카오스 짧강]  Vietoris-Rips Complex
카오스재단질토과 + 짧강

[카오스 짧강] 베티 수 (Betti number)

위상수학에서 공간의 성질을 파악하기 위해 사용하는 대표적인 불변량 중 하나는 베티 수입니다. 이 개념은 이탈리아의 수학자 엔리코 베티의 이름을 따서 명명되었으며, 우리가 흔히 알고 있는 오일러 지표를 보다 일반화한 수치라고 할 수 있습니다. 오일러 지표가 정점, 간선, 면의 관계를 통해 공간의 특성을 나타낸다면, 베티 수는 이를 확장하여 공간이 가진 본질적인 구조를 수치화합니다. 보이지 않는 추상적인 공간이라 할지라도 계산을 통해 얻어낼 수 있는 이 불변량은 현대 위상수학의 핵심적인 도구로 자리 잡고 있습니다. 베티 수의 가장 기초적인 단계인 0번째 베티 수는 공간 내에 존재하는 독립된 덩어리의 개수를 의미합니다. 예를 들어 한글 자소 '아'와 '어'를 비교해 보면 그 차이가 명확히 드러납니다. '아'는 모든 요소가 하나로 연결되어 있어 0번째 베티 수가 1이지만, '어'는 두 개의 떨어진 부분으로 구성되어 있어 그 값이 2가 됩니다. 이처럼 단순히 눈으로 보이는 형태의 차이를 넘어, 공간이 몇 개의 연결 성분으로 이루어져 있는지를 객관적인 수치로 표현할 수 있다는 점이 베티 수가 가진 첫 번째 매력입니다. 1번째 베티 수는 흔히 우리가 말하는 '구멍의 개수'를 나타냅니다. 하지만 수학에서 정의하는 구멍은 일상적인 의미보다 훨씬 엄밀한 기준을 따릅니다. 숫자 '8'의 경우 두 개의 닫힌 경로가 존재하므로 1번째 베티 수는 2가 되며, 원형의 자소를 가진 글자 역시 구멍의 존재에 따라 고유한 값을 가집니다. 이러한 수치는 공간의 위상적 구조를 결정짓는 중요한 지표가 됩니다. 어떤 모양이 서로 위상적으로 같은지 혹은 다른지를 판별할 때, 구멍의 개수를 세는 행위는 직관적이면서도 강력한 분류 기준이 되어줍니다. 구멍에 대한 논의는 공간의 내부가 채워져 있는지 여부에 따라 더욱 깊어집니다. 속이 비어 있는 토러스, 즉 도넛 모양의 표면은 우리가 생각하는 일반적인 구멍과는 다른 복잡한 구조를 가집니다. 토러스를 가로지르는 방향과 전체를 따라가는 방향으로 각각 구멍이 존재한다고 간주하여 1번째 베티 수가 2로 계산되기도 합니다. 이는 단순히 뚫려 있는 공간을 넘어, 개미가 갇혀서 빠져나올 수 없는 닫힌 경로가 몇 개나 존재하는지를 따지는 것과 같습니다. 공간의 차원과 연결 방식에 따라 베티 수는 더욱 정교하게 확장됩니다. 베티 수의 진정한 가치는 눈에 보이지 않는 고차원 데이터에서도 이를 계산할 수 있다는 점에 있습니다. 현대 사회의 방대한 빅데이터는 그 구조를 시각적으로 확인하기 어렵지만, 대수적인 정의를 통해 베티 수를 산출하면 데이터가 형성하는 보이지 않는 구조를 추정할 수 있습니다. 즉, 복잡한 정보들 사이의 연결성이나 빈 공간의 존재를 수치화함으로써 데이터의 본질적인 형태를 파악하는 것입니다. 이러한 계산 가능성은 위상수학이 순수 학문을 넘어 실용적인 데이터 과학의 영역으로 확장되는 중요한 가교 역할을 합니다.

[카오스 짧강] 베티 수 (Betti number)
카오스재단질토과 + 짧강

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..? (2)

우리가 일상에서 접하는 데이터는 단순한 수치의 나열을 넘어 고차원 공간상의 점으로 이해할 수 있습니다. 예를 들어 한 개인의 키, 몸무게, 나이 등 여러 지표를 수치화하면, 그 개수만큼의 차원을 가진 좌표가 생성됩니다. 데이터의 종류가 방대해질수록 우리가 상상하기 힘든 수십, 수백 차원의 공간에 점들이 찍히게 되는데, 인간은 3차원 세계에 살고 있어 이러한 고차원 데이터를 직관적으로 시각화하기 어렵습니다. 위상수학은 바로 이 지점에서 보이지 않는 고차원 데이터의 구조를 파악하는 실마리를 제공합니다. 기존의 통계학이나 데이터 분석 기법은 주로 고차원의 데이터를 눈에 보이는 저차원으로 축소하는 데 집중해 왔습니다. 선형대수학 등을 활용해 핵심적인 차원만을 남기고 나머지를 덜어내어 가시화하는 방식입니다. 반면 위상적 데이터 분석(TDA)은 차원을 억지로 줄이기보다 데이터가 고차원 공간에서 형성하고 있는 본연의 '모양'에 주목합니다. 평균이나 분산 같은 수치만으로는 파악할 수 없는 기하학적 구조를 유추함으로써 데이터가 숨기고 있는 고유한 의미를 찾아내는 것이 이 분석법의 핵심입니다. 이러한 분석법은 실전 전략 수립에도 유용하게 쓰일 수 있습니다. 농구 선수들의 신체 능력과 경기 기록 등 수십 가지 파라미터를 데이터화하여 고차원 공간에 점으로 뿌려보면, 선수들이 특정 기준에 따라 군집을 이루는 모습을 발견하게 됩니다. 이를 통해 공격이나 수비에 최적화된 그룹을 자동으로 분류하거나, 경기 상황에 따른 맞춤형 교체 전략을 세울 수 있습니다. 데이터 점들이 모여 이루는 구조 자체가 하나의 전략적 자산이 되는 셈입니다. 이는 단순히 숫자를 계산하는 것을 넘어 데이터 사이의 관계망을 형상화하는 과정이라 할 수 있습니다. 최근 인공지능 분야에서 TDA가 주목받는 이유는 AI의 국소적 정보 처리 한계를 극복하기 위해서입니다. 과거의 AI는 이미지의 부분적인 특징에만 집착하여, 판다 사진에 미세한 노이즈를 섞으면 이를 긴팔원숭이로 오판하는 오류를 범하곤 했습니다. 인간이 노이즈에 상관없이 전체적인 형상을 보고 판다임을 알아보는 것과 대조적입니다. TDA는 데이터의 지엽적인 변화에 휘둘리지 않고 전체적인 '전역적(Global) 정보'를 조망하는 위상수학의 특성을 활용합니다. 이를 통해 인공지능이 데이터를 보다 거시적이고 정확하게 이해할 수 있도록 돕습니다. 결국 TDA의 핵심은 무수히 많은 데이터 점들로부터 어떻게 유의미한 '모양'을 정의하고 추출하느냐에 달려 있습니다. 멀리서 보았을 때 데이터들이 이루는 구름 같은 형상 속에서 어떤 연결성을 찾아내고 전개도를 그리느냐가 분석의 성패를 좌우합니다. 연구자들은 각 데이터의 특성에 맞춰 최적의 위상적 모델을 설계하며, 보이지 않는 고차원의 세계를 해석 가능한 형태로 변환합니다. 데이터가 가진 기하학적 본질을 탐구하는 이 여정은 현대 데이터 과학이 직면한 복잡한 문제들을 해결하는 새로운 열쇠가 되고 있습니다.

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..? (2)
카오스재단질토과 + 짧강

[강연] 위상수학의 놀라운 응용: 데이터도 모양이 있다? 2_by 최수영 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 9강 두 번째 이야기 | 9강 ②

위상수학은 단순히 공간의 성질을 분류하는 것을 넘어, 불변량을 통해 보이지 않는 공간의 형태를 추론하는 단계로 진화하고 있습니다. 과거에는 두 공간이 왜 다른지를 설명하는 데 집중했다면, 이제는 구멍의 개수와 같은 불변량을 역으로 계산하여 전체적인 구조를 파악하려 합니다. 이는 마치 복잡한 수식을 인수분해하여 본질을 찾아내는 과정과 유사하며, 우리가 직접 관찰할 수 없는 고차원 우주나 복잡한 데이터의 형상을 이해하는 강력한 도구가 됩니다. 이러한 추론의 핵심 도구 중 하나가 바로 '베티수'입니다. 이탈리아 수학자 엔리코 베티의 이름을 딴 이 수치는 오일러 지표를 일반화한 개념으로, 공간의 연결 상태와 구멍의 개수를 수치화합니다. 예를 들어 덩어리의 개수를 나타내는 제0 베티수와 고리 형태의 구멍을 뜻하는 제1 베티수를 통해 우리는 대상의 위상적 특징을 명확히 정의할 수 있습니다. 이는 눈에 보이지 않는 추상적인 공간을 수학적 언어로 형상화하여 분석할 수 있게 해주는 중요한 지표가 됩니다. 현대 사회의 방대한 데이터 역시 고차원 공간상의 점들로 이해할 수 있습니다. 개인의 신체 정보나 행동 패턴 등 수많은 변수는 각각 하나의 차원이 되어 우리가 인지할 수 없는 복잡한 공간에 위치하게 됩니다. 위상적 데이터 분석(TDA)은 바로 이 지점에서 빛을 발합니다. 고차원에 흩어진 데이터 점들이 이루는 거대한 '구름'의 모양을 베티수와 같은 불변량으로 계산함으로써, 데이터 이면에 숨겨진 구조와 의미를 시각적 한계를 넘어 파악할 수 있게 돕습니다. 기존의 통계 분석이 주로 차원을 축소하거나 평균과 분산을 통해 데이터를 요약했다면, TDA는 데이터가 가진 본래의 기하학적 형상을 보존하며 분석합니다. 데이터가 원형인지 혹은 Y자 형태인지에 따라 그 의미가 완전히 달라질 수 있기 때문입니다. 단순히 수치적인 상관관계를 찾는 것을 넘어, 데이터 공간의 전체적인 구성을 유추함으로써 기존 방식으로는 발견하기 어려웠던 새로운 통찰을 제공합니다. 이는 복잡한 시스템 내의 숨겨진 패턴을 찾는 혁신적인 접근법이라 할 수 있습니다. 인공지능 분야에서도 위상수학의 역할은 점차 커지고 있습니다. 현재의 AI는 주로 데이터의 국소적인 정보에 의존하여 학습하기 때문에, 미세한 노이즈만으로도 판다를 긴팔원숭이로 오인하는 등의 한계를 보입니다. 반면 인간은 사물의 전체적인 맥락과 형태를 파악하는 '전역적 정보'를 활용합니다. TDA는 인공지능에게 이러한 거시적인 관점을 제공하여 모델의 안정성과 정확도를 높이는 데 기여합니다. 부분에 매몰되지 않고 전체를 조망하는 위상수학의 철학이 기술에 녹아드는 셈입니다. 구체적인 분석 기법으로는 '비토리스-립스 복합체'가 널리 쓰입니다. 이는 데이터 점들 사이의 거리가 특정 임계값보다 가까워지면 서로 연결하여 점차 복잡한 형상을 만들어가는 과정입니다. 임계값을 변화시키며 베티수의 변화를 관찰하면, 노이즈처럼 금방 사라지는 특징과 데이터의 본질을 담고 있어 끝까지 유지되는 특징을 구분할 수 있습니다. 이러한 '지속성'의 개념을 통해 우리는 수많은 데이터 속에서 유의미한 위상적 구조를 추출하고 이를 실질적인 정보로 변환하게 됩니다. 위상수학의 응용은 의료 진단부터 토목 공학에 이르기까지 광범위합니다. 유방암이나 당뇨병의 예측 알고리즘을 정교화하는 것은 물론, 지표 투과 레이더 데이터를 분석하여 싱크홀의 원인이 되는 지하 동공을 찾아내는 데에도 활용됩니다. 순수 수학의 영역으로만 여겨졌던 위상수학이 산업 현장의 난제를 해결하는 실용적인 도구로 진화한 것입니다. 인류가 기하학을 통해 문명을 일구었듯, 이제는 위상수학을 통해 복잡한 데이터 시대를 항해하는 새로운 지혜를 얻고 있습니다.

[강연] 위상수학의 놀라운 응용: 데이터도 모양이 있다? 2_by 최수영 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 9강 두 번째 이야기

최수영

카오스재단2024 카오스강연 '세상에 나쁜 수학은 없다'
  • 수학