💻 computer science

Embedded Model Form Uncertainty Quantification with Measurement Noise for Bayesian Model Calibration

이 논문은 측정 노이즈를 고려한 새로운 가능성 함수를 도입하고 모델 불완전성 항을 매개변수 추론에 내재화함으로써, 불확실성이 정량화되고 관측되지 않은 관심량 (QoIs) 으로 전파될 수 있는 보다 해석 가능한 베이지안 모델 보정 프레임워크를 제안합니다.

원저자: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

게시일 2026-02-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🏗️ 비유: " imperfect한 건축가"와 "현실의 잡음"

상상해 보세요. 여러분은 아주 정교한 건축 시뮬레이션 프로그램을 가지고 있습니다. 이 프로그램으로 건물의 열 흐름을 예측하려고 합니다. 하지만 현실은 프로그램이 생각한 것보다 훨씬 복잡합니다.

모델의 한계 (Model Inadequacy): 프로그램은 건물을 '균일한 콘크리트'로 가정했지만, 실제로는 그 안에 철근이 박혀 있어 열이 더 빨리 이동합니다. 프로그램은 이 철근을 모릅니다. 이것이 바로 '모델의 부족함'입니다.
측정 오차 (Measurement Noise): 실제 현장에서 온도계를 재면, 기기의 오차나 바람 때문에 숫자가 조금씩 흔들립니다. 이것이 '잡음'입니다.

기존의 방법들은 이 두 가지 문제 (모델의 부족함 + 측정 오차) 를 구별하지 못하거나, 모델이 틀렸을 때 "아, 내가 틀렸구나"라고 인정하면서도 그 오차를 **다른 예측 (예: 건물의 내구성)**으로 옮기지 못했습니다. 마치 "이건 저기서만 틀린 거야"라고 말하는 것과 같습니다.

이 논문은 "모델의 부족함을 모델 자체의 '변수'에 숨겨서, 그 불확실성을 모든 예측에 자연스럽게 퍼뜨리는" 새로운 방법을 제안합니다.

💡 핵심 아이디어 3 가지

1. "유연한 건축가" 만들기 (Embedded Model Bias)

기존 방법들은 예측값과 실제값의 차이를 나중에 '수정액'으로 붙여놓았습니다. 하지만 이 논문은 모델의 입력값 (파라미터) 자체를 유연하게 만듭니다.

비유: 건축가가 "이 벽의 두께는 20cm 야"라고 단정 짓는 대신, **"이 벽의 두께는 20cm 정도지만, 19cm 에서 21cm 사이일 수도 있어"**라고 생각하게 만듭니다.
효과: 이렇게 하면 모델이 실제 데이터를 더 잘 따라갈 뿐만 아니라, 그 '약간의 불확실성'이 나중에 건물의 내구성을 계산할 때도 함께 반영되어, **"이건 100% 확실하지 않아, 오차 범위가 있어"**라고 정직하게 알려줄 수 있습니다.

2. "잡음"을 구별하는 안목 (Handling Measurement Noise)

기존의 많은 방법들은 측정 오차 (잡음) 를 무시하거나, 모델이 틀린 것 (모델 부족함) 과 섞어서 처리했습니다.

문제: 만약 측정 오차가 큰데 모델이 "내가 다 맞췄어"라고 우기면, 나중에 다른 것을 예측할 때 큰 실수가 납니다.
해결: 이 논문은 **"측정 오차 (잡음) 는 따로 계산하고, 모델이 틀린 부분 (부족함) 은 따로 계산하자"**고 제안합니다.
- 비유: 요리사가 "이 소금 양은 10g 이지만, 저울이 흔들려서 9~~11g 일 수도 있어 (잡음). 그리고 내가 레시피를 잘못 봤을 수도 있으니 8~~12g 사이일 수도 있어 (모델 부족함)"라고 구분해서 생각합니다. 이렇게 해야 나중에 다른 요리를 할 때 정확한 양념을 쓸 수 있습니다.

3. "네 가지 새로운 도구" (Four Likelihood Formulations)

저자들은 이 문제를 해결하기 위해 네 가지 다른 '계산 도구 (Likelihood)'를 개발하거나 개선했습니다.

ABC (Approximate Bayesian Computation): 데이터의 평균과 퍼짐 정도를 정확히 맞추려고 노력합니다. 하지만 잡음 (오차) 이 조금만 틀려도 결과가 크게 흔들립니다. (예: 저울이 미세하게 흔들릴 때 너무 민감하게 반응하는 사람)
GMM & RGMM (Global/Relative Moment-matching): 전체 데이터의 흐름을 보며 평균과 퍼짐을 맞춥니다. 잡음이 섞여 있어도 덜 흔들리는 튼튼한 도구입니다. 특히 RGMM 은 데이터가 너무 크거나 작을 때 편향되지 않도록 '상대적인 비율'로 계산합니다.
IN (Independent Normal): 각 데이터 포인트를 독립적으로 봅니다.

결론: 저자들은 **"잡음이 있는 상황에서는 ABC 보다는 GMM, RGMM, IN 이 훨씬 더 안정적이고 신뢰할 만하다"**는 것을 실험을 통해 증명했습니다.

🔥 실제 적용 사례: "콘크리트 벽의 열 흐름"

이론만 설명하면 어렵죠? 실제로 이 방법을 콘크리트 벽의 열 흐름을 예측하는 데 적용해 보았습니다.

상황: 실제 벽에는 철근이 있어서 열이 빨리 이동하는데, 시뮬레이션은 철근을 모르고 '균일한 벽'으로 계산합니다.
기존 방법: 철근 때문에 생기는 오차를 무시하거나, 오차를 모델링하지 못해 "열 흐름은 100kJ 야!"라고 단정 짓지만, 실제로는 90kJ 일 수도 있습니다.
이 논문의 방법: "철근 때문에 오차가 있을 수 있으니, 열 흐름은 82kJ 에서 83kJ 사이일 확률이 높다"라고 예측합니다.
결과: 실제 측정값 (약 91kJ) 은 이 예측 범위에 포함되지는 않았지만 (철근의 영향이 너무 커서), 예측의 불확실성 범위를 넓게 잡아 신뢰성을 높였습니다. 중요한 건, 이 '불확실성'을 계산해서 건물의 수명 예측 같은 다른 중요한 지표에도 적용할 수 있게 되었다는 점입니다.

📝 요약: 왜 이 연구가 중요한가요?

정직한 예측: 컴퓨터 시뮬레이션이 틀릴 수 있다는 사실을 인정하고, 그 오차를 수치로 명확히 보여줍니다.
확장성: 한 번 계산한 '불확실성'을 다른 예측 (예: 열 흐름 → 구조물 수명) 으로 자연스럽게 옮길 수 있습니다.
잡음 처리: 실제 데이터에 섞인 '잡음'을 모델의 실수와 구분하여, 더 정확한 계산을 가능하게 합니다.

한 줄 요약:

"컴퓨터 시뮬레이션이 완벽할 수 없다는 것을 인정하고, 그 불완전함을 '불확실성'이라는 이름으로 정직하게 계산하여, 모든 예측을 더 신뢰할 수 있게 만드는 새로운 방법론입니다."

이 연구는 디지털 트윈 (가상 공간의 실제 시스템 복제) 이나 복잡한 공학 설계에서, **"이 예측이 얼마나 믿을 만한가?"**를 판단하는 데 필수적인 기준을 제시합니다.

1. 문제 제기 (Problem Statement)

모델 불일치와 불확실성: 실제 관측 데이터와 컴퓨터 시뮬레이션 모델 예측 사이에는 필연적으로 오차가 존재합니다. 이는 측정 노이즈 (Aleatoric uncertainty) 와 모델 자체의 가정 및 단순화로 인한 모델 불완전성 (Epistemic uncertainty/Model bias) 으로 나뉩니다.
기존 방법의 한계:
- Kennedy & O'Hagan (2001) 프레임워크: 모델 출력에 유연한 보정 항 (예: 가우시안 프로세스) 을 추가하여 관측치를 맞추는 방식입니다. 하지만 이 보정 항이 관측 데이터 영역에 국한되어 있어, 보정된 모델을 사용하여 다른 관심사 (QoI) 를 계산할 때 불확실성이 전파되지 않는 문제가 있습니다.
- 과신 (Overconfidence) 문제: 모델 불완전성을 고려하지 않거나 잘못 처리할 경우, 사후 분포 (Posterior distribution) 가 과도하게 좁아져 (Dirac-delta 에 수렴) 실제 시스템의 변동성을 반영하지 못하며, 예측의 신뢰성을 과장하게 됩니다.
- 노이즈 처리의 부재: 기존 내재적 보정 (Embedded) 방법들은 측정 노이즈를 명시적으로 고려하지 않거나, 노이즈 모델이 잘못 지정되었을 때 (Misspecification) 매개변수 추정이 크게 왜곡되는 취약점이 있었습니다.

2. 방법론 (Methodology)

이 논문은 내재적 모델 불완전성 (Embedded Model Inadequacy) 접근법을 기반으로 하며, 다음과 같은 핵심 기법을 도입합니다.

2.1. 해석 가능한 내재적 보정 (Interpretable Embedding)

기존 Sargsyan 등의 방법 (다항식 카오스 전개, PCE 를 이용한 매개변수 확장) 대신, 매개변수를 확률 변수로 취급하는 명시적 (Explicit) 인 가법적 (Additive) 보정을 제안합니다.
확률적 매개변수 $\tilde{\theta}$ 를 결정론적 부분 $\theta_m$ 과 모델 불완전성을 나타내는 무작위 편차 $\delta(\theta_b)$ 의 합으로 정의합니다:
$\tilde{\theta} = \theta_m + \delta(\theta_b), \quad \delta(\theta_b) \sim \mathcal{N}(0, \text{diag}(\theta_b))$
여기서 $\theta_b$ 는 각 매개변수의 불확실성 크기를 제어하는 하이퍼파라미터입니다. 이 방식은 불확실성의 원인을 매개변수별로 명확히 식별할 수 있게 하며, 보정된 불확실성을 다른 QoI 로 직접 전파할 수 있게 합니다.

2.2. 전진 모델 평가 및 PCE

확률적 응답을 효율적으로 계산하기 위해 **일반화된 다항식 카오스 전개 (Generalized Polynomial Chaos Expansion, PCE)**를 사용합니다.
PCE 를 통해 모델 출력의 통계적 모멘트 (평균, 분산) 를 직접 계산하여, 확률적 모델과 결정론적 관측 데이터 간의 비교를 가능하게 합니다.

2.3. 새로운 가능도 함수 (Likelihood Functions) 제안

측정 노이즈를 명시적으로 고려하고 기존 방법의 단점을 보완하기 위해 네 가지 가능도 함수를 비교 및 제안합니다.

노이즈 포함 ABC-Likelihood (ABC): 기존 Sargsyan 의 모멘트 매칭 방식에 측정 노이즈를 명시적으로 포함하도록 수정했습니다.
전역 모멘트 매칭 (GMM, Global Moment-matching): 개별 관측점의 모멘트 매칭 대신, 잔차 (Residuals) 전체의 분포를 가우시안 혼합 모델로 가정하고 모멘트를 매칭합니다.
상대적 전역 모멘트 매칭 (RGMM, Relative Global Moment-matching): 이질적 노이즈 (Heteroscedastic noise) 나 예측 분산이 큰 지점의 이상치 (Outliers) 영향을 줄이기 위해, 잔차를 예측 분산으로 정규화하여 모멘트 매칭을 수행합니다.
독립 정규 가능도 (IN, Independent Normal): 예측 분산을 고려한 가우시안 가능도 함수를 적용합니다.

핵심 개선: 노이즈가 있는 경우, 예측 분산이 측정 노이즈와 잔차를 모두 설명하도록 $\gamma = \sqrt{\pi/2}$ 와 같은 보정 계수를 도입하여 과적합 (Overfitting) 을 방지하고 신뢰할 수 있는 사후 분포를 유도합니다.

2.4. 관심사 (QoI) 로의 불확실성 전파

점 추정치 (MAP 등) 를 사용하는 대신, 사후 분포 전체를 전진 모델 (Forward model) 과 QoI 계산 함수 ( $g(\theta)$ ) 를 통해 전파합니다.
이를 통해 QoI 의 예측도 불확실성을 포함하는 확률 분포로 얻어지며, 예측의 신뢰성을 통계적으로 평가할 수 있습니다.

3. 주요 결과 (Results)

3.1. 단순 선형 모델 실험

노이즈 오지정 (Noise Misspecification): ABC 방식은 노이즈 크기가 잘못 지정될 때 매개변수 추정이 크게 왜곡되는 반면, GMM, RGMM, IN 은 상대적으로 강건 (Robust) 했습니다.
이상치 및 오프셋 (Outliers & Offsets):
- 데이터 전체에 일정한 오프셋이 존재할 경우, RGMM 과 IN 이 오히려 더 큰 편향을 보일 수 있으나, GMM 은 전체 데이터의 분포를 고려하여 더 나은 성능을 보였습니다.
- 특정 지점의 이상치가 있을 경우, ABC 는 모든 점을 동등하게 맞추려 하여 큰 편향을 보인 반면, RGMM 과 IN 은 예측 분산이 낮은 지점의 이상치에 더 민감하게 반응했습니다.
수렴성: ABC 는 모멘트를 정확히 맞추려 하여 수렴에 더 많은 샘플이 필요할 수 있으나, 다른 방법들은 비교적 안정적인 수렴을 보였습니다.

3.2. 복잡한 열전달 시뮬레이션 (Reinforced Concrete)

시나리오: 철근 콘크리트 구조물의 열전달을 시뮬레이션하며, forward 모델은 등방성 (Isotropic) 재료로 단순화했으나, 실제 데이터 생성 모델은 철근으로 인한 이질성 (Biphasic) 을 포함했습니다.
결과:
- 내재적 보정 방법을 적용한 모든 가능도 함수는 온도 관측 데이터를 잘 설명했습니다.
- QoI 전파: 보정된 매개변수를 사용하여 계산된 '누적 열량 (Cumulative Heat Flux)'에 대해, 내재적 보정을 적용하지 않은 모델은 실제 값과 큰 오차를 보이며 불확실성을 과소평가했습니다. 반면, 제안된 방법들은 불확실성 분포를 통해 실제 값을 신뢰구간 내에 포함시켰습니다.
- 이는 모델 불완전성 (철근의 존재) 으로 인한 오차가 매개변수 보정 과정을 통해 포착되고, 이를 통해 계산된 다른 물리량 (열량) 의 예측 신뢰도에도 반영됨을 입증했습니다.

4. 주요 기여 (Key Contributions)

해석 가능한 내재적 보정 프레임워크: 복잡한 PCE 계수 대신 매개변수별 불확실성 분산을 직접 추정하는 직관적인 구조를 제안하여, 불확실성 전파를 용이하게 했습니다.
측정 노이즈의 명시적 처리: 기존 내재적 보정 방법들이 간과했던 측정 노이즈의 영향을 정량화하고, 이를 가능도 함수에 통합하여 노이즈 오지정 시 발생하는 문제를 해결했습니다.
새로운 가능도 함수 (GMM, RGMM): 노이즈와 모델 불완전성이 공존하는 복잡한 환경에서 더 강건한 추정을 위한 두 가지 새로운 모멘트 매칭 가능도 함수를 제안하고 검증했습니다.
QoI 불확실성 전파 분석: 보정된 매개변수의 불확실성이 모델의 다른 출력 (QoI) 으로 어떻게 전파되는지에 대한 체계적인 분석을 제공하며, 점 추정치 기반 방법의 한계를 지적했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 디지털 트윈 (Digital Twin) 및 공학 시스템의 신뢰성 있는 예측을 위해 필수적인 모델 불확실성 정량화의 새로운 기준을 제시합니다.

신뢰성 있는 의사결정: 모델의 결함 (Bias) 을 매개변수 보정 과정에 내재화함으로써, 관측되지 않은 영역이나 다른 물리량에 대한 예측도 불확실성을 포함한 신뢰구간으로 제공할 수 있게 되었습니다.
실용적 가이드: 데이터의 특성 (노이즈 수준, 이상치 유무, 이질성 등) 에 따라 적합한 가능도 함수 (ABC, GMM, RGMM, IN) 를 선택하는 가이드라인을 제공합니다.
미래 연구 방향: 계층적 베이지안 접근법과의 비교 연구, 상관관계를 가진 불완전성 항의 전파, 그리고 실제 센서 데이터를 활용한 검증이 향후 과제로 제시되었습니다.

요약하자면, 이 논문은 측정 노이즈와 모델 불완전성을 동시에 고려하여 베이지안 보정의 신뢰성을 높이고, 그 불확실성을 다양한 공학적 관심사로 확장하여 전파할 수 있는 강력한 방법론을 제시했습니다.