핵심 아이디어: 시스템을 천천히 구동(Slow Driving)하면, 스스로 임계 상태(Critical State)를 조직하고, 이때 사건 크기는 척도가 없는(Scale-free) 분포를 따릅니다.
0. 수업 목표
- 현상: 아주 작은 '쌀 한 톨'이 때로는 거대한 눈사태를 일으킴을 관찰.
- 통계: 눈사태 크기가 정규분포가 아닌 멱법칙 $P(s) \sim s^{-\tau}$을 따름을 확인.
- 모델링: 복잡한 물리 현상을 '1차원 격자' 규칙으로 추상화하여 재현.
- 심화: 유한 크기 효과(Finite Size Scaling)와 데이터 붕괴(Data Collapse).
1. 모델 설명: 1D Amaral-Lauritsen Model
쌀알의 마찰과 관성을 아주 단순한 확률 규칙으로 대체한 모델입니다.
- 격자 높이 $h(i)$: 각 위치에 쌓인 쌀알 수.
- 기울기 $z_i = h(i) - h(i+1)$: 국소적인 경사.
- 임계값 $S_1, S_2$:
- $z_i > S_2$: 너무 가팔라서 무조건 무너짐 (prob = 1).
- $S_1 < z_i \le S_2$: 불안정하지만 버틸 수도 있음. 확률 $p$로 무너짐. (메타안정성)
- $z_i \le S_1$: 안정.
Toppling Rule: $h(i) \to h(i)-1, \quad h(i+1) \to h(i+1)+1$
2. 수학적 배경
2.1 멱법칙 정규화와 지수
확률밀도함수 $p(s) = C s^{-\tau}$가 구간 $[s_{min}, \infty)$에서 정의된다면:
$$ \int_{s_{min}}^\infty C s^{-\tau} ds = 1 \quad \Rightarrow \quad C = (\tau-1)s_{min}^{\tau-1} $$
누적방출분포(CCDF)는 지수가 1 줄어듭니다: $P(S > s) \propto s^{-(\tau-1)}$. 로그-로그 그래프의 기울기 $\alpha$를 재면 실제 $\tau = \alpha + 1$ 입니다.
2.2 최대우도추정 (MLE) 유도
가장 엄밀한 추정법은 MLE입니다. 로그 우도를 $\tau$로 미분하면:
$$ \hat{\tau} = 1 + \left[ \frac{1}{n} \sum_{i=1}^n \ln \frac{s_i}{s_{min}} \right]^{-1} $$
2.3 유한 크기 스케일링 (Data Collapse)
시스템 크기 $L$이 유한하면 아주 큰 눈사태는 잘립니다:
$$ P(s, L) \sim s^{-\tau} f(s/L^\nu) $$
$x = s/L^\nu$, $y = s^\tau P(s,L)$로 변수를 치환하면 서로 다른 $L$의 곡선들이 하나로 겹칩니다.
3. 수업 팁
- 실험: 쌀알이 바닥에 튀지 않도록 천천히 붓는 것이 "느린 구동" 조건의 핵심입니다.
- 시뮬레이션: 확률 $p$를 낮추면 시스템이 더 불안정한 상태로 높게 쌓이며, 큰 눈사태 빈도가 늘어납니다 ($\tau$ 감소).
- 비교: 실험에서는 관성 효과로 모델보다 더 큰 눈사태가 발생할 수 있습니다 (모델의 한계 토론).